Los modelos de aprendizaje automático, pertenecientes al campo de la Inteligencia Artificial (IA), pueden aplicarse para el diseño y análisis de alimentos, como muestra la tesis de Diego Hernández Prieto en la UPCT que ha analizado la biodisponibilidad de compuestos saludables en bebidas a base de cítricos y maqui, una baya con propiedades antioxidante originaria de Chile, así como la optimización de las condiciones de almacenamiento después de diferentes procesados.

Las simulaciones llevadas a cabo durante la investigación doctoral permitieron establecer de manera predictiva determinadas combinaciones de procesado, temperatura y tipo de endulzante para alargar la vida útil de los compuestos bioactivos concretos. Así, el tratamiento térmico optimizó la concentración inicial de antocianinas, mientras que el tratamiento de alta presión hidrostática dio lugar a mayores concentraciones de vitamina C. También se comprobó que el edulcorante estevia promueve una degradación ligeramente más lenta de los metabolitos analizados. 

Un grupo de voluntarios consumió esta bebida saludable diariamente durante dos meses. Analizando los resultados obtenidos, la tesis constata una relación significativa entre la biodisponibilidad de ciertos compuestos bioactivos y el sexo del consumidor, en combinación con el efecto de edulcorantes como la estevia o la sucralosa. De esta forma, el ácido cafeico, un potente antioxidante natural, mostró una biodisponibilidad diferente para hombres y mujeres tras el consumo de las bebidas de maqui y cítricos. Aplicando los modelos de aprendizaje automático, la tesis presenta una herramienta capaz de predecir la biodisponibilidad de fitonutrientes como flavanonas y antocianos a los dos meses de consumir la bebida.

“Las técnicas desarrolladas en la tesis permitirán diseñar nuevas bebidas que se adapten mejor a las necesidades nutricionales de distintos grupos humanos, en pos de la conocida como nutrición personalizada”, destaca Hernández Prieto.

La tesis, realizada en colaboración con el CEBAS-CSIC, fue dirigida por Cristina García Viguera y codirigida por José Alberto Egea Larrosa y Alberto Garre Pérez.  Contó la ayuda PRE2020-094973/AEI /10.13039/501100011033 del Ministerio de Ciencia e Innovación, la Agencia Estatal de Investigación y el Fondo Social Europeo a través del proyecto MODELSANO.