Resumen de Computational design of beverages: exploiting ai-based models to obtain healthier drinks

Diego Hernández Prieto

• español

  La incidencia actual de enfermedades no transmisibles, como la diabetes tipo II, obesidad (en conjunto denominadas diabesity) o enfermedades cardiovasculares, representa un problema de salud pública considerable. Estas dolencias se desarrollan, entre otros factores, por una mala alimentación, rica, por ejemplo, en refrescos con alto contenido en azúcar, unido a una ingesta pobre en frutas y hortalizas. Son numerosos los estudios encaminados a paliar este problema, pero los resultados obtenidos proporcionan una gran cantidad de datos, difíciles de procesar con las herramientas clásicas que proporciona la estadística convencional. Sin embargo, el desarrollo actual de herramientas de análisis de datos e inteligencia artificial permiten alcanzar nuevas cotas de conocimiento en áreas que no han empleado este enfoque en profundidad. Con estas herramientas, se puede mejorar considerablemente el diseño de bebidas alternativas saludables.

  A tal efecto, la Tesis Doctoral presentada aplica modelos de aprendizaje automático y técnicas estadísticas avanzadas al análisis del procesado y los efectos saludables de ingesta de bebidas naturales de maqui (Aristotelia chilensis) y cítricos, con el objetivo de mejorar la funcionalidad de las mismas. Para ello, se llevaron a cabo las siguientes tareas:

  -Implementar y validar la simulación de la cinética de degradación de compuestos bioactivos como la vitamina C y los flavonoides (especialmente flavanonas y antocianos), presentes en las bebidas, para estudiar los efectos de diferentes técnicas de procesado, temperaturas de almacenamiento y endulzantes añadidos sobre la alteración de los compuestos bioactivos.

  Las simulaciones llevadas a cabo permitieron establecer de manera predictiva las mejores combinaciones de procesado, temperatura y tipo de endulzante para alargar la vida útil de los compuestos bioactivos.

  -Aplicar herramientas de análisis avanzado de datos a los resultados de un estudio longitudinal de intervención, llevado a cabo con voluntarios que consumieron las bebidas durante un periodo prolongado de tiempo, enfatizando en la relación entre los cambios en biodisponibilidad con el sexo de la persona. A través de técnicas de análisis de varianza y análisis de grupos (clustering) se pudo constatar una relación significativa entre la biodisponibilidad de ciertos compuestos bioactivos y el sexo del consumidor, así como el efecto positivo de combinaciones de sexo del consumidor y endulzante añadido sobre la biodisponibilidad de algunos compuestos.

  -Desarrollar un sistema de predicción de la respuesta metabólica a una intervención nutricional longitudinal a través de la simulación computacional del estudio analizado previamente. En primer lugar, se llevó a cabo la implementación y prueba de un sistema de imputación de datos llamado Multiple Imputation by Chained Equations para abordar el problema de los valores faltantes en tablas de datos. Habiendo comprobado su eficacia y validez, se usó como parte del preprocesado de datos para construir el sistema de predicción. Incorporando los factores del sexo del consumidor y el endulzante añadido se evaluaron diferentes algoritmos de aprendizaje automático. Tras elegir los algoritmos más precisos para cada caso, se desarrollaron varios modelos ajustados a los datos obtenidos de los voluntarios, lo cual predecía la concentración de un metabolito después de la intervención. A partir de la integración de las predicciones de estos modelos y con los resultados del estudio experimental, se construyó y validó la simulación de dicho estudio para predecir las concentraciones de los metabolitos seleccionados por su interés como promotores de efectos saludables.

  En resumen, los modelos computacionales empleados en esta Tesis Doctoral han mostrado una gran capacidad para obtener nuevas conclusiones de datos ya analizados y generar escenarios de prueba para nuevas formulaciones de bebidas y distintas opciones para prolongar su vida útil. No obstante, para poder tener certezas en las predicciones que realizan estos modelos se requieren nuevos estudios, tanto a nivel teórico computacional, optimizando los procesos y aplicando nuevas técnicas, como estudios de intervención nutricional con nuevas bebidas y distintos factores experimentales.

• English

  The current incidence of non-communicable diseases, including type II diabetes, obesity (collectively termed 'diabesity') and cardiovascular diseases, represents a significant public health concern. These diseases are caused, among other factors, by an unhealthy diet, characterised by a high consumption of soft drinks with a high sugar content and a low intake of fruit and vegetables. A plethora of studies have been conducted with the aim of alleviating this problem. However, the results obtained provide a vast quantity of data that is challenging to process using the conventional statistical tools. Nevertheless, the ongoing advancement of data analysis and artificial intelligence tools enables the attainment of novel insights in domains that have not previously employed this methodology in depth. The utilisation of these tools facilitates a notable enhancement in the design of healthy alternative beverages. In light of these considerations, the Ph.D. Thesis presented here employs machine learning models and advanced statistical techniques for the analysis of the processing and health effects of the intake of natural beverages based on maqui (Aristotelia chilensis) and citrus, with the objective of enhancing their functionality. To this end, the following tasks were carried out: To implement and validate a simulation of the degradation kinetics of bioactive compounds, including vitamin C and flavonoids (especially flavanones and anthocyanins), present in beverages. The aim was to study the effects of different processing techniques, storage temperatures and added sweeteners on the alteration of bioactive compounds. The simulations conducted enabled the identification of the optimal combinations of processing, temperature and type of sweetener for the purpose of extending the shelf life of the bioactive compounds (Chapter 5.1). To apply advanced data analysis tools to the results of a longitudinal intervention study, carried out with volunteers who consumed the beverages over a prolonged period of time, emphasising in the relationship between changes in bioavailability and the sex of the person. The application of analysis of variance and clustering techniques revealed a significant correlation between the bioavailability of specific bioactive compounds and the sex of the consumer. Additionally, the influence of consumer sex and added sweeteners on the bioavailability of certain compounds was observed to have a positive effect (Chapter 5.2). To develop a system for predicting the metabolic response to a longitudinal nutritional intervention through the computational simulation of the previously analysed study. Firstly, a data imputation system, Multiple Imputation by Chained Equations, was implemented and tested in order to address the issue of missing values in the data tables. Following a comprehensive examination of its efficacy and reliability (see Chapter 5.3.1), the methodology was employed as a component of the data pre-processing stage to develop the prediction system. Different machine learning algorithms were evaluated, taking into account the gender of the consumer and the addition of sweeteners. Following the selection of the most accurate algorithms for each case, a number of models were developed and trained with the data obtained from the volunteers. Each individual model predicted the concentration of a metabolite after the intervention. By integrating the predictions of all these models with the results of the experimental study, a simulation of the experimental study was constructed and validated, in order to predict the concentrations of the metabolites selected for their interest as promoters of health effects (Chapter 5.3.2). In summary, the computational models employed in this Ph.D. Thesis have demonstrated a remarkable ability to derive novel insights from existing data and to develop test scenarios for novel beverage formulations and diverse strategies to extend their shelf life. Nevertheless, to ensure the reliability of the predictions generated by these models, further studies are necessary at both the theoretical computational level, focusing on process optimisation and the application of novel techniques, and the nutritional intervention level, encompassing the evaluation of new beverages and the investigation of different experimental factors.