Roma, 26 giu. – L’Università di Parma ha conseguito un importante risultato scientifico nell’ambito del progetto METROFOOD-IT: di recente è stato pubblicato sulla rivista Sensors (MDPI) un articolo inerente allo sviluppo e valutazione delle prestazioni di una lingua elettronica voltammetrica (E-Tongue) per la classificazione di passate di pomodoro in funzione della cultivar della materia prima. Lo studio è stato svolto nell’ambito delle attività del progetto METROFOODIT, tramite le facilities acquisite, e annovera tra gli autori la Responsabile del progetto Prof.ssa Maria Careri, la Prof.ssa Ilaria De Munari, il Prof. Stefano Cagnoni, il Prof. Marco Giannetto ed altri ricercatori afferenti al progetto. Il risultato è stato raggiunto grazie alla sinergia tra le unità operative UNIPR1 – Unità Sensori Analitici Smart e UNIPR2 – Ingegneria Informatica e Sensori Elettronici.
Più nel dettaglio, i gruppi di ricerca di Chimica Analitica, di Ingegneria Elettronica e di Ingegneria dell’Informazione dell’Università di Parma hanno realizzato una lingua elettronica elettrochimica basata sulla combinazione di tre sensori implementati su elettrodi screen-printed modificati con nanomateriali compositi per il controllo dell’autenticità di prodotti alimentari. Le potenzialità dell’e-tongue, abbinata ad una preelaborazione dai dati mirata ad ottimizzare le prestazioni delle tecniche multivariate di Machine Learning, sono state applicate con successo alla discriminazione rapida di campioni di passate di pomodoro ottenute da cultivar di diverso valore commerciale. È stato quindi possibile differenziare le tre varietà di pomodoro (datterino rosso, datterino giallo e perino) sulla base di responsi riconducibili alla concentrazione di zuccheri e di antiossidanti.
Un risultato molto interessante è rappresentato dalla estrema rapidità di esecuzione dell’analisi: la lingua elettronica realizzata permette infatti di analizzare simultaneamente fino ad otto campioni in meno di un minuto. Rilevante, inoltre, è l’elaborazione dei dati analitici mediante tecniche di Machine Learning per la classificazione dei campioni. Tra queste, l’Analisi Discriminante Lineare si è rivelata particolarmente performante, fornendo un punteggio medio di corretta classificazione superiore al 99%. Lo sviluppo di algoritmi e modelli statistici per la fase dipreelaborazione dei dati si è dimostrato vantaggioso al fine della riduzione della dimensionalità dei dati e quindi del costo computazionale, favorendo quindi una futura implementazione hardware. Si evidenzia come questo studio innovativo sia rilevante nell’ottica della progettazione di soluzioni hardware da integrare in dispositivi portatili a basso costo per applicazioni future nel campo dell’autenticità di prodotti alimentari e per la rilevazione di adulterazioni.(AGI)
