This post is also available in:
English 
Português
La cerveza es una de las bebidas fermentadas más complejas, con un perfil de sabor que surge de la interacción de miles de compuestos químicos.
Tradicionalmente, la relación entre la composición química de una cerveza y su percepción sensorial o apreciación por parte del consumidor ha sido un campo elusivo para la ciencia de los alimentos, debido a la naturaleza no lineal de la percepción y a las complejas interacciones entre los compuestos aromáticos.
Un estudio pionero, titulado «Predicting and improving complex beer flavor through machine learning», publicado en Nature Communications, aborda este desafío combinando análisis químicos a gran escala, paneles sensoriales entrenados y reseñas de consumidores online con modelos avanzados de aprendizaje automático para predecir y mejorar el sabor y la apreciación de la cerveza.
Desde la química hasta la percepción
Para generar un conjunto de datos sin precedentes, los investigadores seleccionaron 250 cervezas comerciales belgas, abarcando 22 estilos diferentes, desde Lagers y Blonds hasta Stouts y cervezas ácidas Lambic.
Para cada cerveza, se midieron 226 propiedades químicas diferentes, incluyendo parámetros de fermentación como el etanol y el glicerol, ácidos amargos del lúpulo como los iso-alfa ácidos, una amplia gama de ésteres frutales producidos por la levadura, compuestos sulfurados, ácidos orgánicos y terpenoides derivados del lúpulo responsables de aromas herbales y cítricos.
Esta caracterización química exhaustiva se logró mediante técnicas analíticas como la cromatografía de gases acoplada a espectrometría de masas y detectores de fotometría de llama, así como análisis enzimáticos y de infrarrojo cercano.
Paralelamente, se constituyó un panel sensorial entrenado de 16 catadores que evaluaron cada cerveza para 50 atributos sensoriales, calificando la intensidad de sabores a malta, lúpulo, ésteres, acidez, amargor y sensaciones en boca, entre otros.
Para complementar estos datos de un panel de expertos y obtener una medida de la apreciación del consumidor general, se recopilaron y procesaron más de 180.000 reseñas públicas de la plataforma RateBeer.
Esto incluyó no solo las puntuaciones numéricas de aroma, sabor y calidad general, sino también el desarrollo de herramientas de análisis de texto automatizado para extraer menciones de atributos sensoriales específicos de los textos de las reseñas, lo que permitió crear un perfil de sabor basado en la sabiduría de las multitudes.
El poder predictivo del aprendizaje automático
Con estos conjuntos de datos masivos y multidimensionales, el equipo entrenó y comparó 10 modelos diferentes de aprendizaje automático para predecir las respuestas sensoriales y la apreciación a partir de los perfiles químicos.
Los modelos evaluados iban desde técnicas estadísticas convencionales como la regresión lineal y la regresión de mínimos cuadrados parciales, hasta algoritmos más avanzados basados en árboles de decisión como Random Forest, XGBoost y Gradient Boosting, además de una red neuronal artificial y una máquina de vectores de soporte.
Los resultados fueron reveladores. Los modelos basados en árboles, en particular el Gradient Boosting Regressor, superaron significativamente a los modelos lineales tradicionales, que tienden a sufrir de sobreajuste cuando se enfrentan a un número elevado de predictores correlacionados.
El modelo de Gradient Boosting demostró un rendimiento superior, con valores del coeficiente de determinación R² de hasta 0.75 para algunos atributos sensoriales.
Curiosamente, todos los modelos predijeron con mayor precisión los datos de RateBeer que los del panel entrenado, lo que probablemente se deba a que el gran volumen de reseñas promedia la variabilidad sensorial inherente a los individuos.
Además, los modelos fueron generalmente mejores prediciendo el gusto que el aroma, posiblemente porque atributos como el amargor tienen una relación más directa con compuestos químicos específicos como los iso-alfa ácidos.
Impulsores químicos de la apreciación
Uno de los aspectos más innovadores del estudio fue la disección de los mejores modelos para identificar qué compuestos químicos son los principales impulsores de la apreciación del consumidor.
Para ello, se utilizaron dos enfoques, primero, la importancia de características basada en la impureza y el método SHAP, que cuantifica la contribución de cada característica a las predicciones del modelo para cada muestra individual.
El análisis identificó un conjunto de compuestos como críticos para predecir una alta apreciación.
El etanol y el acetato de etilo, un éster que confiere notas afrutadas y a veces de disolvente en concentraciones elevadas, emergieron consistentemente como los dos predictores más importantes.
Esto subraya el papel fundamental del etanol no solo como compuesto sápido, sino también como modulador de la liberación de compuestos aromáticos volátiles de la matriz de la cerveza.
Otros compuestos inesperados que aparecieron en el top 15 fueron el acetato de feniletilo, a menudo asociado con el envejecimiento de la cerveza, y el metanotiol, un compuesto sulfurado que en altas concentraciones huele a col podrida.
Esto sugiere que, si bien altas concentraciones de estos compuestos son indeseables, niveles modestos podrían contribuir positivamente a la complejidad del sabor.
Las proteínas, componentes que influyen en la sensación en boca y el cuerpo de la cerveza, también se identificaron como un factor de alta importancia, al igual que el ácido láctico, característico de las cervezas ácidas muy apreciadas.
Es crucial destacar que muchos de estos compuestos clave no habrían sido identificados mediante el análisis de correlaciones de Spearman convencional, que solo captura relaciones lineales.
Por ejemplo, la correlación del ácido láctico con la apreciación era baja, pero el modelo de Gradient Boosting pudo capturar su importancia al reconocer que las cervezas ácidas forman un grupo aparte con alta apreciación, una relación no lineal que la correlación simple pasa por alto.
Validación experimental
Para validar las predicciones del modelo, los investigadores realizaron experimentos prácticos de mejora de cervezas.
Tomaron una cerveza Blond comercial y otra sin alcohol, y les añadieron una combinación de los compuestos identificados como más importantes (acetato de etilo, hexanoato de etilo, acetato de isoamilo, fenilacetato de etilo, glicerol y ácido láctico), elevando sus concentraciones hasta el percentil 95 dentro de su estilo.
En pruebas sensoriales a ciegas, las versiones «potenciadas» fueron significativamente preferidas sobre las originales por el panel entrenado. Los catadores notaron un aumento en la intensidad de los sabores a éster, la dulzura, el cuerpo y la percepción de alcohol, lo que resultó en una mayor apreciación general.
Incluso en la cerveza sin alcohol, la adición de la mezcla de compuestos (excluyendo el etanol) mejoró significativamente su aceptación, demostrando el potencial del modelo para optimizar productos de bajo contenido alcohólico.
Preguntas frecuentes (FAQ)
¿Por qué el etanol y el acetato de etilo emergieron como los dos predictores químicos más importantes de la apreciación del consumidor?
Respuesta: El etanol, además de psicoactivo, es fundamental porque actúa como un modulador químico. Influye significativamente en la forma en que otros compuestos aromáticos volátiles se liberan de la matriz de la cerveza, alterando la percepción. El acetato de etilo, por su parte, confiere notas afrutadas (sherry o disolvente en exceso), siendo clave para la complejidad. Su alta importancia sugiere que el consumidor asocia estos compuestos con la intensidad y el cuerpo percibido, indicadores de calidad en muchos estilos belgas.
Si los modelos de Machine Learning predicen mejor la apreciación de RateBeer que la del panel entrenado, ¿cuál es el valor de seguir usando paneles sensoriales de expertos?
Respuesta: El valor de los paneles entrenados es la precisión y la objetividad en la descripción de atributos específicos (ej. intensidad de «acidez láctica»). Los datos de RateBeer, aunque son más fáciles de predecir debido a su gran volumen que promedia la variabilidad individual, solo reflejan la apreciación general. Los paneles entrenados son indispensables para la optimización del producto (ej. si la meta es reducir el aroma a disolvente, el panel identifica la intensidad precisa, que es menos clara en una reseña general).
¿Cómo pueden los cerveceros artesanales utilizar la identificación del metanotiol y el acetato de feniletilo como impulsores de la apreciación?
Ambos compuestos suelen ser asociados con defectos o envejecimiento, por lo que su aparición en el top 15 sugiere un concepto de «complejidad umbral». El metanotiol (aroma sulfuroso) podría ser un indicador de reacciones positivas de levadura o terroir a niveles extremadamente bajos, no ofensivos. El acetato de feniletilo (rosa/miel) a niveles modestos mejora el aroma. Los cerveceros podrían enfocarse en controlar y mantener estos compuestos en concentraciones muy bajas y precisas para aportar complejidad sutil sin cruzar el umbral del defecto.
¿Por qué los modelos basados en árboles de decisión fueron más efectivos que la regresión lineal tradicional en este estudio?
Respuesta: Los modelos lineales solo pueden capturar relaciones lineales directas (ej. más iso-alfa ácidos = más amargor). El perfil sensorial de la cerveza es inherentemente no lineal y complejo (ej. la interacción entre acidez y dulzor). Los modelos basados en árboles son superiores porque pueden modelar relaciones no lineales, umbrales y efectos de interacción entre múltiples compuestos químicos, lo que les permite capturar la verdadera complejidad de la percepción humana, como la alta apreciación de cervezas ácidas que la regresión lineal simple no reconocía.
¿Cómo se aplica el concepto de «percentil 95» para la validación experimental y por qué es importante para la mejora del sabor?
El «percentil 95» se refiere a la concentración más alta de un compuesto químico encontrada en el 95% de las cervezas de ese estilo. Al añadir los compuestos clave hasta ese límite superior (P95), los investigadores estaban probando la hipótesis de que la complejidad y la intensidad aumentan la apreciación dentro de un rango aceptable para el consumidor. La mejora en la aceptación demostró que la optimización del sabor se logra al empujar los perfiles químicos hacia los límites superiores de su espectro de concentración natural.
Referencia
Schreurs, M., Piampongsant, S., Roncoroni, M., et al. (2024). Big data and machine learning reveal the chemical drivers of beer flavor and appreciation. Nature Communications, 15, 2368. https://doi.org/10.1038/s41467-024-46346-0
Recomendamos
- Presentan la primera rueda sensorial con léxico estándarizado para la malta cervecera
- Aireación y oxigenación al elaborar cerveza ¿Por qué son tan importantes?
