Machine-Learning-Modelle zur Erkennung bakterieller Verunreinigungen in der Nahrungsmittelindustrie

Im Rahmen dieses Projekts wurde ein System zur schnellen mikrobiologischen Qualitätskontrolle in der Lebensmittelindustrie entwickelt. Mithilfe der Raman-Spektroskopie, bei der die chemische Zusammensetzung von Bakterien mithilfe von Licht ermittelt wird, sowie mithilfe von maschinellem Lernen lassen sich Bakterien wie E. coli und Salmonellen innerhalb weniger Stunden identifizieren. Zukünftig soll die Probenvorbereitung weiter vereinfacht werden, um die Integration in die Produktion zu erleichtern.

Im Mittelpunkt dieses Projekts stand die Entwicklung eines Systems zur mikrobiologischen Qualitätskontrolle in der Lebensmittelindustrie unter Einsatz von Raman-Spektroskopie und maschinellem Lernen. Ziel war es, eine schnelle Erkennung und Identifizierung auf Artenebene von bakteriellen Kontaminanten wie E. coli, Salmonellen und Listerien zu erreichen und damit eine Alternative zu den derzeitigen langwierigen Tests zu bieten, wodurch die Zeit bis zum Vorliegen der Ergebnisse von einigen Tagen auf wenige Stunden verkürzt werden sollte.

Um unsere Ziele zu erreichen, wurden umfangreiche Datensätze zu Modellorganismen (E. coli- und Pseudomonas-Stämme als Proof-of-Concept) erhoben, um das Modell unter verschiedenen Umgebungsparametern zu trainieren, zu validieren und zu testen. Es wurde ein maschinelles Lernmodell in Form eines konvolutionellen neuronalen Netzes (CNN) entwickelt, das in randomisierten Tests eine hervorragende Klassifizierungsleistung mit einer Genauigkeit von >98 % erzielte. Dieses Modell unterscheidet zwischen verschiedenen Bakterienarten und sogar bestimmten Stämmen, was Informationen liefern kann, die für die Rückverfolgung von Kontaminationen und die Risikobewertung relevant sind.

Zudem wurde die oberflächenverstärkte Raman-Spektroskopie (SERS) eingesetzt, bei der Goldnanopartikel verwendet wurden, um die Signalintensität zu erhöhen und die Messzeiten auf Millisekunden pro Zelle zu reduzieren. Darüber hinaus wurde ein Prototyp eines mikrofluidischen Chips entwickelt, um die Probenvorbereitung im Hinblick auf industrielle Anwendungen zu erleichtern. Beide Aspekte erhöhten die Empfindlichkeit und die Identifizierungsgeschwindigkeit unserer Lösung zusätzlich.

Darüber hinaus wurden wichtige Kontakte zu Akteuren aus der Industrie geknüpft, um sicherzustellen, dass unsere Entwicklung direkt auf die Lösung bestehender Probleme ausgerichtet war. Diese Kontakte umfassten mehrere grosse Schweizer Lebensmittelhersteller, darunter Migros Industrie und Eisberg, und bestehen auch nach Abschluss dieses Förderprojekts weiter.

Zusammenfassend lieferte das Projekt Folgendes: ein CNN-Modell des maschinellen Lernens zur Identifizierung von Bakterienstämmen mittels Raman-Spektroskopie; eine unterstützende Spektraldatenbank mit getesteten Bakterien sowie einen Prototyp eines mikrofluidischen Chips zur schnellen Probenvorbereitung. Diese Arbeit liefert einen Proof-of-Concept für ein schnelles Qualitätskontrollinstrument, das durch maschinelle Lernfähigkeiten erweitert wurde. Zukünftige Implementierungen unserer Lösung könnten potenziell die Zeiten für die Qualitätskontrolle verkürzen, damit verbundene Kosteneinsparungen erzielen, Lebensmittelabfälle verringern und die Lebensmittelsicherheit verbessern, was zu den Fähigkeiten und hohen Standards der Schweizer Lebensmittelindustrie beiträgt.

In zukünftigen Arbeiten werden wir unseren Ansatz weiter verfeinern, um ihn portabler zu machen und die Schritte der Probenvorbereitung weiter zu vereinfachen, damit eine einfache Integration in Produktionsumgebungen gewährleistet ist.