Predecir el sabor a partir de compuestos químicos es difícil, ya que las interacciones complejas entre los ingredientes y la psicología del gusto pueden generar percepciones sorprendentemente diferentes, incluso entre personas que prueban lo mismo. Por eso, elaborar una cerveza “buena” es tan difícil. Las grandes cervecerías seleccionan entre sus empleados a cientos de catadores capacitados para probar sus nuevos productos. Sin embargo, organizar estos paneles de degustación sensorial es costoso y las percepciones de lo que sabe bien pueden ser muy subjetivas. ¿Y si la inteligencia artificial pudiera ayudar a aligerar la carga? Un estudio ha estado detrás de esta idea varios meses, y los resultados son sorprendentes.

Los investigadores de KU Leuven, con el profesor Kevin Verstrepenuna a la cabeza, partieron de una idea: los nuevos modelos de IA deberían poder identificar con precisión, no solo lo alto que calificarán los consumidores una determinada cerveza belga, sino también qué tipos de compuestos deberían agregar los cerveceros para que la bebida sepa aún mejor.

El trabajo y el resultado de la investigación se ha publicado en Nature Communications.

Según el profesor Verstrepenuna: 

La cerveza, como la mayoría de los productos alimenticios, contiene cientos de moléculas aromáticas diferentes que nuestra lengua y nuestra nariz captan y nuestro cerebro luego las integra en una sola imagen. Sin embargo, los compuestos interactúan entre sí, por lo que la forma en que percibimos uno depende también de las concentraciones de los demás.

Tal y como cuentan en su estudio:

Predecir el sabor y la apreciación del consumidor a partir de la composición química es uno de los objetivos finales de la ciencia sensorial. Una forma confiable, sistemática e imparcial de vincular los perfiles químicos con el sabor y la apreciación de los alimentos sería un activo importante para la industria de alimentos y bebidas.

Lo primero que hicieron en el estudio fue generar un conjunto de datos completo sobre el sabor de la cerveza seleccionando 250 cervezas belgas disponibles comercialmente en 22 estilos de cerveza diferentes. La mayor parte del conjunto de datos estaba compuesto por rubias (12,4%) y tripels (11,2%), lo que refleja su presencia en la escena cervecera belga y la diversidad de cervezas dentro de estos estilos. Luego, midieron 226 propiedades químicas diferentes para cada cerveza, incluidos parámetros de elaboración como el contenido de alcohol, el pH, la concentración de azúcar y más de 200 compuestos de sabor.

Pasamos a la segunda fase del estudio, donde un panel de degustación capacitado evaluó cada una de las 250 cervezas en busca de 50 atributos sensoriales, incluidos diferentes sabores de lúpulo, malta y levadura, sabores desagradables y especias, que calificaron. Para ampliar los datos del panel de degustación, los investigadores recopilaron 180.000 reseñas de las 250 cervezas seleccionadas de la plataforma de reseñas de consumidores RateBeer. Esto proporcionó puntuaciones numéricas para apariencia, aroma, sabor, paladar, calidad general y puntuación general promedio.

Luego combinaron los análisis químicos, las evaluaciones del panel de degustación y las revisiones públicas y los utilizaron para entrenar modelos de aprendizaje automático, y aprovecharon dichos modelos para inferir factores importantes que contribuyen a la percepción sensorial y la apreciación del consumidor, conscientes de que un producto con baja apreciación del consumidor no tiene éxito comercial. En esencia, agregaron sustancias marcadas por los modelos como predictores importantes de la apreciación general, como el ácido láctico (que contribuye al sabor ácido de las cervezas agrias), acetato de etilo y el glicerol.

Finalmente, probaron si sus modelos predictivos proporcionaban información sobre la apreciación de la cerveza. Seleccionaron específicamente la apreciación general como factor a examinar debido a su complejidad y relevancia comercial.

Y como agregar un solo compuesto puede producir una diferencia notable que desequilibra el perfil de sabor de una cerveza, evaluaron el efecto de cambiar combinaciones de compuestos. Además, como las cervezas rubias estaban fuertemente representadas en el conjunto de datos, seleccionaron una rubia como material de partida para estos experimentos.

¿Qué ocurrió? Los resultados del panel de degustación revelaron que las adiciones mejoraron las calificaciones de las cervezas con y sin alcohol en métricas que incluyen dulzura, cuerpo y apreciación general. El ajuste de las concentraciones de los predictores más importantes de la apreciación general (acetato de etilo, etanol, ácido láctico y acetato de etilfenilo) mejoró significativamente la apreciación general, en comparación con los controles, entre un panel de catadores capacitados. Además, notaron un aumento en la intensidad del sabor, la dulzura, el alcohol y la plenitud corporal. 

Por cierto, para eliminar la contribución del etanol a los resultados, también se realizó un segundo experimento sin agregarlo. El resultado fue similar, incluido un aumento de la apreciación general. En otro experimento se probó si las predicciones del modelo podrían mejorar el aprecio por una cerveza sin alcohol. En este caso se agregó una mezcla de los compuestos previstos, excepto etanol, lo que resultó en un aumento significativo en la apreciación, el cuerpo, el sabor y la dulzura.

Según Verstrepen:

Pequeños cambios en las concentraciones de sustancias químicas pueden tener un gran impacto, especialmente cuando múltiples componentes comienzan a cambiar. Fue una sorpresa que algunas sustancias tradicionalmente conocidas por ser desfavorables podrían ser positivas si están presentes en concentraciones más bajas y ocurren en combinación con otros compuestos aromáticos.

Nuestro estudio confirma que la concentración de compuestos de sabor no siempre se correlaciona con la percepción, lo que sugiere interacciones complejas que a menudo pasan desapercibidas en las estadísticas más convencionales y los modelos simples. Las predicciones de nuestros modelos finales, entrenados a partir de datos de revisión, son válidos incluso para catas a ciegas con pequeños grupos de probadores capacitados, como lo demuestra nuestra capacidad para validar compuestos específicos como impulsores del sabor y la apreciación de la cerveza.

Tras su trabajo, esperan que estudios futuros amplíen el alcance de su investigación para incluir diversos mercados y estilos de cerveza, identificando más factores de apreciación.

Eso sí, los amantes de la cerveza no deberían preocuparse de que la nueva tecnología pueda alterar el rico e histórico patrimonio de la bebida, y el mismo Verstrepen señala que la habilidad de los cerveceros seguirá siendo vital. “Los modelos de IA predicen los cambios químicos que podrían optimizar una cerveza, pero aún depende de los cerveceros hacer que eso suceda a partir de la receta y los métodos de elaboración“, zanjó.