Title:	Predição de antocianinas em diferentes matérias-primas usando Machine Learning.
Authors:	TEIXEIRA, R. dos S. SANTOS, A. do S. B. dos SILVA, F. T. S. BARROS, G. L. de OLIVEIRA, J. M. S. LEAL, A. de B. SIRQUEIRA, N. R. M. VIZZOTTO, M. JAQUES, P. A. NORA, L.
Affiliation:	RENIRES DOS SANTOS TEIXEIRA, UNIVERSIDADE FEDERAL DE PELOTAS; ARLIENE DO SOCORRO BATISTA DOS SANTOS, UNIVERSIDADE FEDERAL DE PELOTAS; FLAVIA TAYNA SERRA SILVA, UNIVERSIDADE FEDERAL DE PELOTAS; GABRIEL LAQUETE DE BARROS, UNIVERSIDADE FEDERAL DE PELOTAS; JOSÉ MATHEUS SANTOS OLIVEIRA, UNIVERSIDADE FEDERAL DE PELOTAS; ANDREZA DE BRITO LEAL, UNIVERSIDADE FEDERAL DE PELOTAS; NATÁSSIA RAFAELLE MEDEIROS SIRQUEIRA, UNIVERSIDADE FEDERAL DE PELOTAS; MARCIA VIZZOTTO FOSTER, CPACT; PATRÍCIA A. JAQUES, UNIVERSIDADE FEDERAL DE PELOTAS; LEONARDO NORA, UNIVERSIDADE FEDERAL DE PELOTAS.
Date Issued:	2025
Citation:	In: SIMPÓSIO DE CIÊNCIA E TECNOLOGIA DE ALIMENTOS, 4., 2025, on-line. Da terra à tecnologia: inovação da cadeia produtiva de alimentos: e-book. Diamantina: UFVJM, 2025. IV SICITAL.
Description:	As antocianinas, pigmentos naturais com reconhecidas propriedades bioativas e aplicações como corantes alimentícios, apresentam desafios significativos devido à sua instabilidadee degradação. A predição de antocianinas em fontes vegetais é essencial para controle de qualidade e estudos sobre estabilidade. O Machine Learning (ML), uma subárea da Inteligência Artificial que desenvolve algoritmos capazes de aprender padrões a partir de dados, surge como ferramenta poderosa na ciência de alimentos e química analítica, oferecendo novas abordagens para predição de antocianinas. Este trabalho explora as aplicações do ML na predição de antocianinas, incluindo a predição do seu comportamento sob diversas condições, análise de dados de degradação, a validação de métodos de quantificação, a otimização de processos de extração e a implementação de análises não destrutivas. Os estudos analisados demonstram que técnicas de ML de análise de dados, combinadas com métodos não destrutivos, representam um avanço significativo na predição e monitoramento de compostos antociânicos. O sistema Neuro Fuzzy Inference System (ANFIS) mostrou-se eficiente na previsão da degradação de antocianinas em casca de uva, cenoura preta e repolho roxo, oferecendo uma alternativa robusta para a otimização de processos industriais, como pasteurização. Assim como, abordagens baseadas em imagens hiperespectrais (HSI) e algoritmos de aprendizado de máquina, como Stacked Auto-Encoder- Genetic Algorithm - Extreme Learning Machine (SAE-GA-ELM), Random Forest (RF) e CatBoost, comprovaram sua eficácia na predição não destrutiva de antocianinas em amora-preta, pétalas de Rosa chinensis, alface roxa e folhas de macieira. Os métodos superam as limitações das técnicas tradicionais (como espectrofotometria) ao reduzir custos, tempo de análise e danos às amostras, além de possibilitaranálises mais rápidas, automatizadas e com maior precisão, mesmo em grandes volumes de dados. A integração entre espectroscopia, processamento de imagens e ML surge como uma ferramenta promissora para aplicações na indústria alimentícia, possibilitando maior eficiência na preservação de compostos antociânicos e na qualidade dos produtos.
Thesagro:	Antocianina
Keywords:	Ciência de alimentos Pigmentos Naturais Algoritmo Inteligência artificial
DOI:	10.29327/9786527216124
Type of Material:	Parte de livro
Access:	openAccess
Appears in Collections:	Capítulo em livro científico (CPACT)