Identifikation af årgangsvine ved deres kemiske signatur

Har hver vin sin egen kemiske signatur, og hvis ja, kan denne bruges til at identificere dens oprindelse? Mange specialister har forsøgt at løse dette mysterium, uden at det lykkes fuldt ud. Ved at anvende kunstig intelligens-værktøjer på eksisterende data er det lykkedes et hold fra University of Geneva (UNIGE), i samarbejde med Institute of Vine and Wine Science ved University of Bordeaux, at identificere rødvines kemiske mærke med 100 % nøjagtighed fra syv store godser i Bordeaux-regionen.

Disse resultater, offentliggjort i tidsskriftet Communications Chemistry bane vejen for potentielle nye værktøjer til at bekæmpe varemærkeforfalskning og for forudsigende værktøjer til at vejlede beslutningstagningen i vinsektoren.

Hver vin er resultatet af fine, komplekse blandinger af tusindvis af molekyler. Deres koncentrationer svinger efter sammensætningen af ​​druerne, hvilket især afhænger af jordens beskaffenhed og struktur, druesorten og vinavlerens praksis.

Disse variationer, selv meget små, kan have stor betydning for smagen af ​​vin. Dette gør det meget vanskeligt at bestemme den præcise oprindelse af en vin baseret på dette sensoriske kriterium alene. Med klimaændringer, nye forbrugervaner og en stigning i forfalskning er behovet for effektive værktøjer til at bestemme vinens identitet blevet afgørende.

Er der så en kemisk signatur, ufravigelig og specifik for hver ejendom, som ville gøre det muligt at gøre dette? "Vinsektoren har gjort adskillige forsøg på at besvare dette spørgsmål, med tvivlsomme eller nogle gange korrekte resultater, men med tunge teknikker. Dette skyldes blandingernes store kompleksitet og begrænsningerne ved de anvendte metoder, som er lidt som at lede efter en nål midt i en høstak," forklarer Alexandre Pouget, fuld professor ved Institut for Grundlæggende Neurovidenskab på Det Medicinske Fakultet på UNIGE.

En af de anvendte metoder er gaskromatografi. Dette består i at adskille komponenterne i en blanding ved affinitet mellem to materialer. Blandingen passerer gennem et meget tyndt rør, 30 meter langt. De komponenter, der har størst affinitet med rørmaterialet, adskilles gradvist fra de andre.

Hver separation registreres af et massespektrometer. Der fremstilles derefter et kromatogram, der viser toppe, der indikerer molekyleadskillelserne. I tilfælde af vin, på grund af de mange molekyler, der udgør den, er disse toppe ekstremt talrige, hvilket gør detaljerede og udtømmende analyser meget vanskelige.

Data behandlet ved maskinlæring

I samarbejde med Stephanie Marchands team fra Institute of Vine and Wine Science ved University of Bordeaux fandt Alexandre Pougets team løsningen ved at kombinere kromatogrammer og kunstig intelligensværktøjer. Disse kromatogrammer kom fra 80 rødvine fra tolv årgange (1990-2007) og fra syv godser i Bordeaux-regionen. Disse rådata blev behandlet ved hjælp af maskinlæring, et felt af kunstig intelligens, hvor algoritmer lærer at identificere tilbagevendende mønstre i informationssæt.

"I stedet for at udtrække specifikke toppe og udlede koncentrationer, gav denne metode os mulighed for at tage højde for hver vins komplette kromatogrammer - som kan omfatte op til 30.000 punkter - inklusive baggrundsstøj, og at opsummere hvert kromatogram i to X- og Y-koordinater efter at have elimineret unødvendige variabler Denne proces kaldes dimensionalitetsreduktion," forklarer Michael Schartner, en tidligere postdoktor ved Institut for Grundlæggende Neurovidenskab på Det Medicinske Fakultet på UNIGE, og førsteforfatter af undersøgelsen.

En 100 % pålidelig model

Ved at placere de nye koordinater på en graf kunne forskerne se syv "skyer" af punkter. De fandt ud af, at hver af disse skyer grupperede årgange fra samme ejendom på grundlag af deres kemiske ligheder.

"Dette gjorde det muligt for os at vise, at hver ejendom har sin egen kemiske signatur. Vi observerede også, at tre vine var grupperet sammen til højre og fire til venstre, hvilket svarer til de to breder af Garonne, hvor disse godser ligger, " forklarer Stéphanie Marchand, professor ved Institute of Vine and Wine Science ved University of Bordeaux, og medforfatter af undersøgelsen.

Igennem deres analyser fandt forskerne ud af, at den kemiske identitet af disse vine ikke var defineret af koncentrationen af ​​nogle få specifikke molekyler, men af ​​et bredt kemisk spektrum. "Vores resultater viser, at det er muligt at identificere den geografiske oprindelse af en vin med 100 % nøjagtighed ved at anvende dimensionsreduktionsteknikker på gaskromatogrammer," siger Alexandre Pouget, der ledede denne forskning.

Denne forskning giver ny indsigt i komponenterne i en vins identitet og sensoriske egenskaber. Det baner også vejen for udviklingen af ​​værktøjer til at understøtte beslutningstagning – for eksempel for at bevare et terroirs identitet og udtryk – og til at bekæmpe varemærkeforfalskning mere effektivt.

Flere oplysninger: Michael Schartner et al., Predicting Bordeaux rødvins oprindelse og årgange fra rågaskromatogrammer, Communications Chemistry (2023). DOI:10.1038/s42004-023-01051-9

Journaloplysninger: Kommunikationskemi

Leveret af University of Geneva