| spelling |
Leorges Moraes da Fonsecahttp://lattes.cnpq.br/8471533951627724Débora Cristina Sampaio de AssisHabib Asseiss NetoMônica de Oliveira LeiteSérgio Vale Aguiar CamposMarco Antônio Sloboda CortezLeticia Goulart de Oliveirahttp://lattes.cnpq.br/7700438154984396Daniela Cristina Solo de Zaldivar Ribeiro2022-05-09T13:01:27Z2022-05-09T13:01:27Z2021-05-27http://hdl.handle.net/1843/414750000000228917043A lactose é o açúcar naturalmente presente no leite e possui grande importância nutricional, porém este sacarídeo não é bem absorvido pela maior parte da população mundial, em virtude da diminuição na produção da enzima lactase, que age no intestino delgado, hidrolisando a lactose ingerida em dois monossacarídeos, a glicose e a galactose. A hidrólise enzimática da lactose pelas indústrias oferece uma diversidade de produtos que contém baixa lactose. A metodologia utilizada para mensurar a concentração dos açúcares no leite após a hidrólise é, preferencialmente, a cromatografia líquida (HPLC) com detecção por índice de refração (RID), pela sua capacidade de distinguir os açúcares. A espectroscopia no infravermelho médio apresenta deficiência nesta distinção devido à absorção da luz pelos açúcares ocorrerem na mesma região do espectro. Neste trabalho foi proposta a associação da espectroscopia FTIR (Fourier Transform Infrared) às ferramentas da inteligência artificial por aprendizagem profunda para identificar e quantificar lactose residual e outros açúcares no leite. Foram construídas redes neurais convolucionais a partir dos espectros do infravermelho médio, sem pré-processamento dos dados, para resolver problemas de classificação de amostras de leite e predizer qual a classe do açúcar presente, e para a predição dos valores da concentração dos açúcares no leite, um modelo de regressão foi proposto. Leite cru, pasteurizado e UHT foram adicionados de lactose, glicose e galactose em seis concentrações (0.1, 0.5, 1.0, 3.0, 5.0 e 7.0%) e, ao todo, 342 amostras foram submetidas às redes neurais artificiais para identificar e quantificar os açúcares no leite. Além disso, a hidrólise enzimática da lactose pela β-galactosidase foi realizada em 20 amostras de leite pasteurizado em quatro tratamentos diferentes (controle e três níveis de hidrólise) que resultou na presença simultânea dos três açúcares (lactose, glicose e galactose) para quantificação por HPLC-RID e comparação com os resultados previstos pelas redes neurais convolucionais. O resultado do desafio destas amostras aos algoritmos de classificação e regressão indicaram uma capacidade preditiva de 80% para classificação e 75% para quantificação dos açúcares nas amostras hidrolisadas. A associação dos espectros do FTIR às ferramentas de inteligência artificial mostrou ser uma metodologia promissora para o controle de qualidade do leite.Lactose is the sugar naturally present in milk and has great nutritional importance, but this saccharide is not well absorbed by most of the world population, due to the decrease in the production of the lactase enzyme, which acts in the small intestine, hydrolyzing the lactose ingested in two monosaccharides, glucose and galactose. The enzymatic hydrolysis of lactose by industries offers a variety of products with low lactose. The methodology used to measure the concentration of sugars in milk after hydrolysis is preferably liquid chromatography (HPLC) with refractive index detection (RID), due to its ability to distinguish sugars. Mid-infrared spectroscopy lacks this distinction due to the absorption of light by sugars occurring in the same region of the spectrum. In this work, the association of the FTIR (Fourier Transform Infrared) spectroscopy with the tools of artificial intelligence for deep learning was proposed to identify and quantify residual lactose and other sugars in milk. Convolutional neural networks were built from the mid-infrared spectra, without preprocessing the data, to solve problems in the classification of milk samples, and to predict which sugar class was present, and to predict the sugar concentration values in milk, a regression model was proposed. Raw, pasteurized and UHT milk were added with lactose, glucose and galactose at six concentrations (0.1, 0.5, 1.0, 3.0, 5.0 and 7.0%) and, in total, 342 samples were submitted to artificial neural networks to identify and quantify the sugars in milk. In addition, the enzymatic hydrolysis of lactose by β-galactosidase was performed on 20 samples of pasteurized milk in four different treatments (control and three levels of hydrolysis) which resulted in the simultaneous presence of the three sugars (lactose, glucose and galactose) for quantification by HPLC-RID and comparison with results predicted by convolutional neural networks. The result of the challenge of these samples to classification and regression algorithms indicated a predictive capacity of 80% for classification and 75% for quantification of sugars in hydrolyzed samples. The association of FTIR spectra to artificial intelligence tools proved to be a promising methodology for milk quality control.CAPES - Coordenação de Aperfeiçoamento de Pessoal de Nível SuperiorporUniversidade Federal de Minas GeraisPrograma de Pós-Graduação em Ciência AnimalUFMGBrasilVETER - ESCOLA DE VETERINARIAPrograma Institucional de Internacionalização – CAPES - PrIntValor nutricionalLeiteRedes neuraiEspectrocospia FTIR, HPLC e Redes Neurais Artificiais para determinação analítica da lactose residual e outros açucares no leiteinfo:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/doctoralThesisinfo:eu-repo/semantics/openAccessreponame:Repositório Institucional da UFMGinstname:Universidade Federal de Minas Gerais (UFMG)instacron:UFMGORIGINALDANI TESE versão final 2022.pdfDANI TESE versão final 2022.pdftese com alterações solicitadas pelo Repositórioapplication/pdf3613993https://repositorio.ufmg.br/bitstream/1843/41475/3/DANI%20TESE%20vers%c3%a3o%20final%202022.pdfac6824cd6d9657da64da3f66e2c980d8MD53LICENSElicense.txtlicense.txttext/plain; charset=utf-82118https://repositorio.ufmg.br/bitstream/1843/41475/4/license.txtcda590c95a0b51b4d15f60c9642ca272MD541843/414752022-05-09 10:01:27.876oai:repositorio.ufmg.br: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ório InstitucionalPUBhttps://repositorio.ufmg.br/oaiopendoar:2022-05-09T13:01:27Repositório Institucional da UFMG - Universidade Federal de Minas Gerais (UFMG)false
|