Man kan nu med laboratorieteknik fastställa varifrån nötkött kommer

Nötkött är en vanlig typ av kött som uppskattas för sin smak och höga näringsvärde. I takt med den ekonomiska utvecklingen har efterfrågan på nötkött ökat kraftigt, samtidigt som konsumenternas förväntningar på dess säkerhet och kvalitet har stigit. Argentina är en av världens ledande exportörer av nötkött och föder huvudsakligen upp Angus-boskap genom gräsbetesmetoder – båda viktiga egenskaper för nötkött av hög kvalitet. År 2023 exporterade Argentina 683 000 ton nötkött globalt, varav Kina importerade 527 000 ton, vilket motsvarar 79 procent av Argentinas nötköttsexport och gör Kina till landets största importör av nötkött.

På grund av nötköttets höga ekonomiska värde förekommer ofta bedrägerier gällande dess ursprung, vilket leder till ekonomiska förluster och hälsorisker för konsumenter. Till exempel säljer vissa oseriösa försäljare nötkött från lågkostnadsområden som högkvalitativt premium-kött eller blandar det med kyckling, anka eller fläsk för att öka sina vinstmarginaler. Dess-utom utgör den olagliga användningen av steroidhormoner som trenbolon och clenbuterol inom boskapsuppfödning en hälsorisk för konsumenter. För professionella idrottare kan konsumtion av sådant kött leda till positiva dopningstest och potentiellt äventyra deras karriärer.

Traditionella metoder för att spåra nötköttets ursprung har låg noggrannhet och begränsad förmåga att identifiera de faktiska produktionsområdena, vilket skapar brister i livsmedelssäkerheten. I takt med att nötköttsmarknaden fortsätter att expandera blir det allt viktigare att utveckla effektiva metoder för ursprungsspårning för att säkerställa säkerheten vid produktion och konsumtion av nötkött.

Spårbarhet av kött bygger främst på isotop- och elementanalystekniker. Miljöfaktorer som jordmån, vatten och klimat lämnar unika elementära och isotopiska “fingeravtryck” i muskelvävnaden hos boskap. Genom att analysera dessa egenskaper kan nötköttets geografiska ursprung fastställas. Vanliga metoder för stabil isotop- och elementanalys inkluderar EA-IRMS (Elemental Analysis–Isotope Ratio Mass Spectrometry) och ICP-MS/OES (Inductively Coupled Plasma Mass Spectrometry/Optical Emission Spectrometry). EA-IRMS mäter isotopförhållanden för grundämnen som kol, kväve, väte och syre genom att förbränna prover till deras elementära beståndsdelar.

Kol-isotopförhållandet (delta13C) reflekterar de fotosyntetiska processerna hos de växter som boskapen konsumerar och ger insikt i deras foderkälla. Kol-isotopiska egenskaper hos nötkött kan användas för att skilja mellan gräsbetat och spannmålsuppfött kött samt identifiera boskapens uppfödningsmiljö. Argentinas nötkreatur är huvudsakligen gräsbetande och förlitar sig på betesmarker (C3-växter), vilka använder Calvincykeln för fotosyntes. Kol-isotopvärdet för C3-växter ligger vanligtvis mellan −22‰ och −30‰, vilket återspeglar en preferens för den lättare kolisotopen (12C) framför den tyngre isotopen (13C). I kontrast är boskap i Kina främst spannmålsuppfödda med foder från majs, durra och andra C4-växter som använder Hatch–Slack-vägen för fotosyntes. C4-växter har delta13C-värden på −10‰ till −14‰, och dessa skillnader i foder ger distinkta isotopiska fingeravtryck i nötköttet, vilket fungerar som ett naturligt spårbarhetsverktyg.

Under de senaste åren har maskininlärning, en hörnsten inom artificiell intelligens, blivit ett kraftfullt verktyg för datahantering, analys och prediktion inom livsmedelsvetenskap. PLS-DA (Partial Least Squares–Discriminant Analysis) är en multivariat statistisk metod som används brett inom livsmedelsspårning för sin förmåga att extrahera relevanta egenskaper från högdimensionella data och exakt klassificera livsmedels ursprung och variation. Metoden är särskilt användbar för att hantera komplexa kemiska data, såsom spektralanalys och isotopförhållanden, och har använts inom spårning av vin, te och olivolja.

Exempelvis analyserades år 2021 kol-, kväve- och syreisotopförhållanden samt 51 grundämnen och 35 fettsyror i mjölkpulverprover från tre regioner och konstruerade en stabil multivariat modell för ursprungsidentifiering. År 2022 mättes kol-, väte- och syreisotop-förhållanden samt 28 element i rumänska fläsk- och kycklingprover och använde PLS-DA för att skapa spårbarhetsmodeller med en noggrannhet på 71,8 respektive 93,8 procent och modeller för identifiering av uppfödningsstil med en noggrannhet på 100 och 98 procent.

Konvolutionella neurala nätverk (CNN), en djupinlärningsmodell, används i allt högre grad inom livsmedelsspårning tack vare sin förmåga att effektivt extrahera både lokala och globala egenskaper genom konvolution- och poolningsoperationer. I en studie användes CNN tillsammans med stödvektormaskiner, Random Forests och K-närmsta grannar (KNN) för att analysera hyperspektrala bilddata från lamm och framgångsrikt konstruera modeller för geografisk ursprungs- och rasidentifiering.

Random Forests, en beslutsträdsbaserad ensemblemetod, är en annan populär maskininlär-ningsmetod inom livsmedelsvetenskap. Elisabete A. et al. analyserade till exempel elementära data från nötköttsprover från fem brasilianska regioner och använde Random Forests, flerlagersperceptroner och regressionsträd för att klassificera nötköttets ursprung och bekräftade signifikanta regionala skillnader i brasilianskt nötkött.

Denna studie hanterar det kritiska behovet av robusta livsmedelsspårningssystem genom att utveckla en innovativ metod för att verifiera ursprunget av nötköttsprodukter. Genom att kombinera multi-regional provtagning från Kina och Argentina med avancerade analys-tekniker (ICP-MS, ICP-OES för 52 elementprofiler samt EA-IRMS för kolisotopförhållanden) etablerades en omfattande analytisk ram som avsevärt förbättrar den geografiska urskilj-ningsförmågan.

Skapandet av en maskininlärningsdriven klassificeringsmodell visar inte bara högprecisions-identifiering av ursprung mellan dessa stora nötköttsproducerande nationer, utan skapar också en metodik som kombinerar multi-elementfingeravtryck med stabil isotopanalys. Detta genombrott ger tekniskt stöd för att bekämpa livsmedelsbedrägerier och en vetenskaplig grund för globala köttspårningsprotokoll, samtidigt som det främjar användningen av kemometriska metoder inom livsmedelsautentisering.

Vidare forskning kommer att fokusera på att optimera modellen för bredare geografisk täckning och integrera kompletterande biomarkörer för att stärka verifieringens tillförlitlighet.

Elementkoncentrationerna i nötkött analyserades med ICP-MS och ICP-OES, medan det stabila kolisotopförhållandet bestämdes med EA-IRMS. Maskininlärningsalgoritmer användes för att konstruera klassificeringsmodeller. Totalt analyserades 83 nötköttsprover för koncentrationer av 52 element och det stabila kolisotopförhållandet.

Klassificeringsnoggrannheten för PLS-DA-modellen baserad på dessa resultat var 98,8 %, medan prediktionsnoggrannheten var 94,1 % för CNN och 82,4 % för Random Forest-algoritmen. PLS-DA-modellen uppvisade högst klassificeringsnoggrannhet jämfört med CNN och Random Forest, med en förklaringskraft (R2) på 0,924 och en prediktiv förmåga (Q2) på 0,787.

Nyckelfaktorer som påverkade nötköttets ursprung var Fe, Cs, As, δ13C, Co, V, Sc, Rb och Ru.

Referens: Xiang X, Zhao C, Zhang R, Zeng J, Wang L, Zhang S, Cristos D, Liu B, Xu S, Yi X. Beef traceability between China and Argentina based on various machine learning models. Molecules 2025; 30: 880.