Correlaciones entre los parámetros químicos seleccionados (panel superior derecho) y los descriptores sensoriales utilizados por el panel de cata (panel inferior izquierdo)
Un reciente estudio liderado por Kevin J. Verstrepen, del VIB—KU Leuven Center for Microbiology, CMPG Laboratory of Genetics and Genomics, KU Leuven Institute for Beer Research (LIBR), ha sido publicado en una revista científica, revelando cómo el uso de big data y modelos de aprendizaje automático está transformando nuestra comprensión del sabor de la cerveza y la percepción del consumidor.
El estudio combina análisis químicos exhaustivos y evaluaciones sensoriales para predecir el sabor y la apreciación del consumidor de 250 cervezas diferentes. Seleccionando cuidadosamente una amplia gama de cervezas belgas comerciales, que abarcan 22 estilos diferentes, desde Belgian blondes y tripels hasta estilos menos conocidos como Brut y Faro, se midieron más de 200 propiedades químicas para cada cerveza. Estas propiedades incluyen compuestos derivados del lúpulo, subproductos de fermentación y otros compuestos asociados con el sabor y el aroma.
Los resultados del estudio revelan relaciones complejas entre los compuestos químicos y las características sensoriales de la cerveza. Por ejemplo, se encontraron asociaciones entre ciertos compuestos, como los terpenos del lúpulo, y sabores específicos, como notas herbales y frutales. Además, se identificaron patrones distintivos para diferentes estilos de cerveza, demostrando la influencia única de la composición química en el perfil sensorial de cada estilo.
Con el fin de complementar las evaluaciones sensoriales realizadas por el panel de cata experto, los investigadores recolectaron además más de 180,000 reseñas de consumidores en la plataforma en línea RateBeer. Aunque surgieron algunas discrepancias, se observó una modesta correlación entre la apreciación de los consumidores y las evaluaciones del panel de cata experto.
Lo más notable es que los modelos de aprendizaje automático desarrollados en el estudio pueden predecir con precisión el perfil sensorial de la cerveza utilizando datos químicos, lo que sugiere un potencial emocionante para la creación de cervezas personalizadas y mejoradas que se adapten a las preferencias del consumidor.
En resumen, este estudio pionero destaca el papel crucial que juegan el big data y el aprendizaje automático en la comprensión y predicción del sabor de la cerveza, abriendo nuevas oportunidades para la innovación en la industria cervecera y la creación de experiencias sensoriales únicas para los consumidores.