Machine learning e química sensorial: desvendando o prazer de beber uma cerveja

This post is also available in: Español English

A cerveja é uma das bebidas fermentadas mais complexas, com um perfil de sabor que surge da interação de milhares de compostos químicos.

Tradicionalmente, a relação entre a composição química de uma cerveja e sua percepção sensorial ou apreciação pelo consumidor tem sido um campo elusivo para a ciência dos alimentos, devido à natureza não linear da percepção e às complexas interações entre os compostos aromáticos.

Um estudo pioneiro intitulado “Predicting and improving complex beer flavor through machine learning”, publicado na Nature Communications, aborda esse desafio combinando análises químicas em larga escala, painéis sensoriais treinados e avaliações de consumidores on-line com modelos avançados de aprendizado de máquina para prever e melhorar o sabor e a apreciação da cerveja.

Da química à percepção

Para gerar um conjunto de dados sem precedentes, os pesquisadores selecionaram 250 cervejas belgas comerciais, abrangendo 22 estilos diferentes, desde Lagers e Blonds até Stouts e cervejas ácidas Lambic.

Para cada cerveja, foram medidas 226 propriedades químicas diferentes, incluindo parâmetros de fermentação como etanol e glicerol, ácidos amargos do lúpulo como os iso-alfa ácidos, uma ampla gama de ésteres frutados produzidos pela levedura, compostos sulfurados, ácidos orgânicos e terpenoides derivados do lúpulo responsáveis por aromas herbáceos e cítricos.

Essa caracterização química exaustiva foi obtida por meio de técnicas analíticas como cromatografia gasosa acoplada à espectrometria de massas e detectores de fotometria de chama, além de análises enzimáticas e de infravermelho próximo.

Em paralelo, foi constituído um painel sensorial treinado com 16 provadores que avaliaram cada cerveja em 50 atributos sensoriais, classificando a intensidade de sabores a malte, lúpulo, ésteres, acidez, amargor e sensações na boca, entre outros.

Para complementar esses dados do painel de especialistas e obter uma medida da apreciação do consumidor geral, foram coletadas e processadas mais de 180.000 avaliações públicas da plataforma RateBeer.

Isso incluiu não apenas as pontuações numéricas de aroma, sabor e qualidade geral, mas também o desenvolvimento de ferramentas de análise de texto automatizada para extrair menções de atributos sensoriais específicos dos textos das avaliações, o que permitiu criar um perfil de sabor baseado na sabedoria das multidões.

O poder preditivo do aprendizado de máquina

Com esses conjuntos de dados massivos e multidimensionais, a equipe treinou e comparou 10 modelos diferentes de aprendizado de máquina para prever as respostas sensoriais e a apreciação a partir dos perfis químicos.

Os modelos avaliados iam desde técnicas estatísticas convencionais como a regressão linear e a regressão por mínimos quadrados parciais, até algoritmos mais avançados baseados em árvores de decisão como Random Forest, XGBoost e Gradient Boosting, além de uma rede neural artificial e uma máquina de vetores de suporte.

Os resultados foram reveladores. Os modelos baseados em árvores, em particular o Gradient Boosting Regressor, superaram significativamente os modelos lineares tradicionais, que tendem a sofrer de sobreajuste quando confrontados com um grande número de preditores correlacionados.

O modelo de Gradient Boosting demonstrou desempenho superior, com valores do coeficiente de determinação R² de até 0,75 para alguns atributos sensoriais.

Curiosamente, todos os modelos previram os dados do RateBeer com maior precisão do que os do painel treinado, o que provavelmente se deve ao fato de o grande volume de avaliações promedir a variabilidade sensorial inerente aos indivíduos.

Além disso, os modelos foram geralmente melhores na previsão do gosto do que do aroma, possivelmente porque atributos como o amargor têm uma relação mais direta com compostos químicos específicos, como os iso-alfa ácidos.

Impulsores químicos da apreciação

Um dos aspectos mais inovadores do estudo foi a dissecção dos melhores modelos para identificar quais compostos químicos são os principais impulsores da apreciação do consumidor.

Para isso, foram utilizadas duas abordagens: primeiro, a importância de características baseada na impureza e o método SHAP, que quantifica a contribuição de cada característica às previsões do modelo para cada amostra individual.

Guía práctica para catar cerveza: Cómo apreciar correctamente todas las cervezas del mundo

Comprar en Amazon

A análise identificou um conjunto de compostos como críticos para prever uma alta apreciação.

O etanol e o acetato de etila — um éster que confere notas frutadas e às vezes de solvente em concentrações elevadas — emergiram consistentemente como os dois preditores mais importantes.

Isso ressalta o papel fundamental do etanol não apenas como composto sápido, mas também como modulador da liberação de compostos aromáticos voláteis da matriz da cerveja.

Outros compostos inesperados que apareceram no top 15 foram o acetato de feniletila, frequentemente associado ao envelhecimento da cerveja, e o metanotiol, um composto sulfurado que em altas concentrações cheira a repolho podre.

Isso sugere que, embora altas concentrações desses compostos sejam indesejáveis, níveis modestos poderiam contribuir positivamente para a complexidade do sabor.

As proteínas, componentes que influenciam a sensação na boca e o corpo da cerveja, também foram identificadas como um fator de alta importância, assim como o ácido lático, característico das cervejas ácidas muito apreciadas.

É fundamental destacar que muitos desses compostos-chave não teriam sido identificados por meio da análise de correlações de Spearman convencional, que só captura relações lineares.

Por exemplo, a correlação do ácido lático com a apreciação era baixa, mas o modelo de Gradient Boosting foi capaz de capturar sua importância ao reconhecer que as cervejas ácidas formam um grupo distinto com alta apreciação — uma relação não linear que a correlação simples não percebe.

Validação experimental

Para validar as previsões do modelo, os pesquisadores realizaram experimentos práticos de melhoria de cervejas.

Pegaram uma cerveja Blond comercial e outra sem álcool, e adicionaram a elas uma combinação dos compostos identificados como mais importantes (acetato de etila, hexanoato de etila, acetato de isoamila, fenilacetato de etila, glicerol e ácido lático), elevando suas concentrações até o percentil 95 dentro de seu estilo.

Em testes sensoriais às cegas, as versões “aprimoradas” foram significativamente preferidas em relação às originais pelo painel treinado. Os provadores notaram um aumento na intensidade dos sabores a éster, na doçura, no corpo e na percepção de álcool, resultando em maior apreciação geral.

Mesmo na cerveja sem álcool, a adição da mistura de compostos (excluindo o etanol) melhorou significativamente sua aceitação, demonstrando o potencial do modelo para otimizar produtos de baixo teor alcoólico.

Perguntas frequentes (FAQ)

Por que o etanol e o acetato de etila emergiram como os dois preditores químicos mais importantes da apreciação do consumidor?

Resposta: O etanol, além de psicoativo, é fundamental porque age como um modulador químico. Influencia significativamente a forma como outros compostos aromáticos voláteis são liberados da matriz da cerveja, alterando a percepção. O acetato de etila, por sua vez, confere notas frutadas (jerez ou solvente em excesso), sendo essencial para a complexidade. Sua alta importância sugere que o consumidor associa esses compostos à intensidade e ao corpo percebidos, indicadores de qualidade em muitos estilos belgas.

Se os modelos de machine learning preveem melhor a apreciação do RateBeer do que a do painel treinado, qual é o valor de continuar usando painéis sensoriais de especialistas?

Resposta: O valor dos painéis treinados está na precisão e na objetividade na descrição de atributos específicos (ex.: intensidade de “acidez lática”). Os dados do RateBeer, embora mais fáceis de prever devido ao seu grande volume que promedia a variabilidade individual, refletem apenas a apreciação geral. Os painéis treinados são indispensáveis para a otimização do produto (ex.: se o objetivo é reduzir o aroma de solvente, o painel identifica a intensidade precisa, o que é menos claro em uma avaliação geral).

Como os cervejeiros artesanais podem usar a identificação do metanotiol e do acetato de feniletila como impulsores da apreciação?

Ambos os compostos costumam ser associados a defeitos ou envelhecimento, portanto sua aparição no top 15 sugere um conceito de “complexidade limiar”. O metanotiol (aroma sulfuroso) poderia ser um indicador de reações positivas da levedura ou terroir em concentrações extremamente baixas e não ofensivas. O acetato de feniletila (rosa/mel) em níveis modestos melhora o aroma. Os cervejeiros poderiam se concentrar em controlar e manter esses compostos em concentrações muito baixas e precisas para contribuir com complexidade sutil sem ultrapassar o limiar do defeito.

Por que os modelos baseados em árvores de decisão foram mais eficazes do que a regressão linear tradicional neste estudo?

Resposta: Os modelos lineares só podem capturar relações lineares diretas (ex.: mais iso-alfa ácidos = mais amargor). O perfil sensorial da cerveja é inerentemente não linear e complexo (ex.: a interação entre acidez e doçura). Os modelos baseados em árvores são superiores porque podem modelar relações não lineares, limiares e efeitos de interação entre múltiplos compostos químicos, o que lhes permite capturar a verdadeira complexidade da percepção humana — como a alta apreciação de cervejas ácidas que a regressão linear simples não reconhecia.

Como se aplica o conceito de “percentil 95” para a validação experimental e por que é importante para a melhoria do sabor?

O “percentil 95” refere-se à concentração mais alta de um composto químico encontrada em 95% das cervejas daquele estilo. Ao adicionar os compostos-chave até esse limite superior (P95), os pesquisadores testavam a hipótese de que a complexidade e a intensidade aumentam a apreciação dentro de uma faixa aceitável para o consumidor. A melhoria na aceitação demonstrou que a otimização do sabor é alcançada ao empurrar os perfis químicos para os limites superiores do seu espectro de concentração natural.

Referência

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