בינה מלאכותית עשויה לעכב קלקול מזון

מה קורה?

מחקר חדש בתחום כימיית המזון מציע להשתמש בבינה מלאכותית כדי לסייע למדענים להתמודד עם אחת הבעיות המוכרות בתעשיית המזון: התעפשות, או קלקול חמצוני, שפוגע בטעם, בריח ולעיתים גם באיכות התזונתית של מוצרים. החוקרים, שעוסקים בהארכת חיי מדף של מזונות המכילים שומנים ושמנים, פיתחו מודל שמסוגל להעריך במהירות אילו שילובים של נוגדי חמצון עשויים להגן טוב יותר על מוצרי מזון מפני קלקול.

היישום המעשי רחב למדי. שומנים ושמנים נמצאים במוצרים יומיומיים רבים, בהם אגוזים, שוקולד, חטיפים ומזונות מעובדים נוספים. לכן, שיפור ביכולת לבחור תערובת מתאימה של נוגדי חמצון עשוי להשפיע על שורה ארוכה של מוצרים הנמצאים כמעט בכל מזווה ביתי. החוקרים מציינים כי לתובנות כאלה יכולה להיות השפעה גם מעבר למזון, למשל בפיתוח מוצרים קוסמטיים ותרופתיים שבהם יציבות כימית היא גורם מרכזי.

למה זה קורה?

מזון מתעפש בעיקר בגלל חמצון — תגובה כימית שמתרחשת כאשר רכיבים במזון נחשפים לחמצן שבאוויר. התהליך נפוץ במיוחד בליפידים, כלומר שומנים ושמנים, והוא מואץ בנוכחות חום או קרינת UV. במהלך החמצון נוצרים חומרים קטנים יותר, כמו אלדהידים, קטונים וחומצות שומן, ואלה אחראים לריח החריף, לטעם החמוץ או המתכתי ולתחושת האיכות הירודה שמאפיינת מזון מקולקל.

כדי לעכב את התהליך משתמשת תעשיית המזון בנוגדי חמצון, טבעיים או סינתטיים. חומרים אלה מסוגלים לבלום חלק מהתגובות שמניעות את הקלקול וכך לשמור לזמן ארוך יותר על הטעם, הריח והערך התזונתי. אלא שהבחירה בנוגדי החמצון אינה פשוטה: לא כל שילוב של חומרים מחזק את ההגנה. לעיתים, שילוב לא נכון או יחס מינונים שגוי דווקא מחלישים את ההשפעה המגינה — תופעה שמכונה אנטגוניזם.

כאן טמון הקושי הגדול של החוקרים והתעשייה. כדי להבין אילו צירופים באמת עובדים, צריך לבצע שורה ארוכה של ניסויים, עם כוח אדם מיומן, ציוד מתאים ועלויות לא מבוטלות. מספר האפשרויות גדול מאוד, ולכן בפועל נבדקת רק קבוצה מוגבלת של תערובות, גם אם יש סיכוי שקיימות אפשרויות טובות יותר.

מה ההיסטוריה?

במחקר המתואר בנו החוקרים מודל בינה מלאכותית שיודע לעבוד עם ייצוגים טקסטואליים של מבנים כימיים — כלומר קודים כתובים שמתארים את מבנה המולקולות של נוגדי החמצון. בשלב הראשון הם הזינו למערכת מאגר של כמיליון תגובות כימיות, כדי ללמד אותה דפוסים בסיסיים: איך לזהות תכונות חשובות של מולקולות ואיך חומרים מסוימים מגיבים זה עם זה.

לאחר מכן בוצע שלב כוונון מדויק יותר, על בסיס מסד נתונים של כמעט 1,100 תערובות שתוארו בעבר בספרות המדעית. לאחר האימון הזה המודל הצליח, לדברי החוקרים, להעריך בתוך פחות משנייה את ההשפעה הצפויה של שילוב בין שניים או שלושה נוגדי חמצון. בהשוואה לנתונים שכבר פורסמו, התחזיות שלו תאמו את התוצאות בכ-90% מהמקרים.

אלא שכאשר עברו לבדיקות במעבדה, התמונה הייתה מורכבת יותר. החוקרים מצאו שהמודל התקשה בתחילה לחזות במדויק ניסויי חמצון שבוצעו על שומן חזיר אמיתי. הפער הזה המחיש בעיניהם בעיה מוכרת במחקר יישומי: הצלחה חישובית לא תמיד מתורגמת מיידית להתנהגות של חומרים בעולם האמיתי.

מה המשמעות?

החדשות מבחינת החוקרים הן שהמודל השתפר לאחר שקיבל נתונים ממשיים מהמעבדה. לדבריהם, הוספה של כ-200 דוגמאות ניסוי הספיקה כדי לחדד את היכולת שלו ולקרב את התחזיות לתוצאות בפועל, עם סטייה קטנה יחסית בין הערך שחזה לבין הערך שנמדד. במילים אחרות, המערכת לא החליפה את עבודת המעבדה, אלא למדה ממנה והפכה לכלי עזר מדויק יותר.

אם הגישה הזאת תמשיך להבשיל, היא עשויה לחסוך זמן וכסף בפיתוח חיי מדף למוצרים עתירי שומן, ולאפשר התאמה טובה יותר בין סוג המזון לבין תערובת נוגדי החמצון שמגינה עליו. המשמעות עבור התעשייה היא תהליך ממוקד יותר של ניסוי וטעייה; עבור הצרכנים, הפוטנציאל הוא מוצרים יציבים יותר עם פחות פגיעה בטעם ובאיכות לאורך זמן.

החוקרים מדגישים כי העבודה עדיין נמשכת, וכי כעת הם בוחנים דרכים לשפר עוד את אופן האימון של המודל ואת יכולת החיזוי שלו. בשלב זה, המסקנה המרכזית איננה שבינה מלאכותית פותרת לבדה את בעיית הקלקול, אלא שהיא עשויה להפוך לעוזר מחקרי משמעותי בתחום שבו מספר האפשרויות הכימיות עצום והניסוי המעשי יקר ואיטי.