Multi-Excitation Front-Face Fluorescence Spectroscopy with Explainable LSTM for Detection of Lymphatic Tissue Adulteration in Ground Beef

식품 공급망의 무결성은 패키지에 정확히 무엇이 들어있는지를 아는 것에 달려 있습니다. 다진 소고기가 판매될 때, 규제와 소비자 신뢰는 그것이 우리가 기대하는 데친 근육, 즉 식용 육류만을 포함하고 있음을 요구합니다. 그러나 육류 산업은 림프 조직의 우발적 또는 의도적인 혼입이라는 지속적인 문제에 직면해 있습니다. 림프절은 동물의 면역 체계의 일부로, 박테리아와 병원균을 보유할 수 있는 필터 역할을 합니다. 근육과 달리 이들은 부산물(offal)로 분류되며 인간이 섭س취하기 위한 것이 아닙니다. 이러한 조직들이 갈아서 소고기 반죽에 섞여 들어가면 육안으로는 식별할 수 없게 됩니다. 이들을 찾아내기 위한 전통적인 방법인 DNA 검사는 느리고, 비용이 많이 들며, 파괴적인 방식이라 도축장을 통과하는 모든 육류 배치를 점검하기에는 비현실적입니다. 과학자들은 더 빠른 대안으로 빛 기반 기술을 오랫동안 주목해 왔습니다. 샘플에 빛을 비추고 그것이 어떻게 다시 빛을 내는지(glow back) 측정함으로써, 연구자들은 화학적 지문 역할을 하는 특정 분자들을 감지할 수 있습니다. 형광 분광법(fluorescence spectroscopy)이라고 알려진 이 접근 방식은 인간의 눈이 놓치는 미세한 조성 차이를 드러낼 수 있어, 제품을 손상시키지 않고 빠르게 오염을 포착할 수 있는 잠재적인 방법을 제공합니다.

연구팀은 다진 소고기 속에 숨겨진 림프 조직을 감지한다는 구체적인 문제를 해결하기 위해 나섰습니다. 그들은 단순한 빛 테스트가 어려울 것임을 알고 있었습니다. 왜냐하면 다진 소고기는 지방 함량, 산화, 근육 부위의 종류 등이 모두 고기의 형광 특성을 변화시켜 오염의 신호를 모방할 수 있는 복잡한 혼합물이기 때문입니다. 이 혼란을 극복하기 위해, 그들은 단 하나의 색이 아니라 네 가지 다른 색의 빛을 사용하여 고기를 조사하는 방법을 개발했습니다. 그들은 이 다색 빛 접근 방식을 인간의 뇌가 여러 특징을 동시에 보고 얼굴을 인식하는 것과 유사하게 패턴을 학습하도록 설계된 정교한 컴퓨터 프로그램과 결합했습니다. 연구진은 세 가지 품종의 소, 두 연령대, 다양한 부위를 나타내는 다섯 곳의 상업적 도축장에서 얻은 방대한 소고기 샘 samples를 수집했습니다. 그들은 순수한 소고기에 림프 조직을 전혀 없는 상태부터 순수 림프 조직에 이르기까지 정밀한 양으로 섞은 수백 개의 테스트 배치를 만들어, 시스템이 실제 오염이 무엇인지 학습하도록 했습니다.

그들의 발견의 핵심은 서로 다른 조직이 빛에 어떻게 반응하는지에 있습니다. 연구진이 샘ples에 특정 파장의 빛을 비추었을 때, 림프 조직과 근육 조직은 매우 다른 이야기를 한다는 것을 발견했습니다. 근육 조직은 특정 색의 빛 아래에서 밝게 빛나는 특정 단백질이 풍부한 반면, 림프 조직은 이러한 단백질은 적지만 에너지 생산 및 면역 활동과 관련된 다른 분자들이 풍부하여 다른 색상에서 빛을 냅니다. 네 가지 뚜렷한 빛 설정으로 고기를 측정함으로써, 시스템은 독특한 패턴을 볼 수 있었습니다. 즉, 근육 특유의 빛이 감소하고 림프 특유의 빛이 증가하는 것입니다. 이 신호의 조합은 오염에 대한 결정적인 서명(signature) 역할을 했습니다. 컴퓨터 모델은 이러한 변화들을 함께 가중치를 두어 학습함으로써, 빛의 반사를 변화시킬 수는 있지만 이 특정 화학적 패턴은 바꾸지 않는 지방이나 수분 같은 다른 요인들과 실제 림프 조직을 구별할 수 있었습니다.

결과는 이 접근 방식이 매우 효과적임을 보여주었습니다. 컴퓨터가 한 번도 본 적 없는 도축장의 소고기 샘플로 테스트했을 때, 시스템은 높은 신뢰도로 림프 조직의 존재량을 정확하게 예측할 수 있었습니다. 시스템은 규제 임계값과 관련된 수준에서 오염의 존재를 성공적으로 감지했으며, 순수 소고기와 소량의 림프절이 섞인 소고기를 구별해 냈습니다. 그러나 연구진은 이 방법이 2% 수준 근처의 변조는 감지할 수 있지만, 이 농도에서의 신뢰할 수 있는 정량화는 아직 지원되지 않는다고 명시했습니다. 또한 연구진은 여러 색의 빛을 사용하는 것이 이 성공의 열쇠임을 입증했습니다. 이전 연구들이 의존했던 단일 색상의 빛만을 사용했을 때, 시스템은 지방이나 물을 오염으로 오인하며 혼란을 겪었습니다. 오직 네 가지 서로 다른 빛 신호를 결합했을 때만이 모델이 정확도를 유지하고 허위 경보를 피할 수 있었습니다. 이는 개선이 단순히 컴퓨터 프로그램의 복잡성에서 온 것이 아니라, 데이터가 수집되는 방식에서 왔음을 확인시켜 주었습니다.

연구 결과가 단순히 컴퓨터의 산물이 아니라 실제임을 보장하기 위해, 팀은 실제 화학 테스트와 결과를 대조했습니다. 그들은 컴퓨터가 중요하다고 식별한 특정 분자들을 측정했고, 화학적 수준이 컴퓨터의 예측과 완벽하게 일치한다는 것을 발견했습니다. 컴퓨터가 근육 단백질은 적고 면역 관련 분자는 많다고 말했을 때, 실험실 테스트는 정확히 그 사실을 확인해 주었습니다. 이러한 교차 검증은 연구진의 방법이 오염의 실제 생물학적 실체를 보고 있다는 강력한 증거를 제공했습니다. 그들은 이 방법이 1.8%만큼 낮은 수준에서도 림프 조직의 존재를 감지할 수 있다고 판단했는데, 이는 규제 기관이 일반적으로 우려하기 시작하는 임계값보다 낮은 수준입니다. 다만, 시스템이 오염의 존재를 포착하는 데는 탁월하지만, 정확한 수치를 제공하는 데 있어서는 오염이 약 6%에 도달해야만 신뢰할 수 있게 됩니다.

이 연구는 비교적 간단하고 비파괴적인 빛 스캔이 식품 안전을 위한 강력한 스크리닝 도구로 기능할 수 있음을 보여줍니다. 이는 도축장이 기존에 포착하기 어려웠던 특정 유형의 위험한 변조를 확인하기 위해 대량의 다진 소고기를 빠르게 점검할 수 있는 방법을 제공합니다. 기술이 아직 아주 미세한 양을 절대적인 정밀도로 측정하는 데 완벽하지는 않지만, 의심스러운 배치를 선별하여 더 상세한 테스트를 받도록 알리는 데는 충분히 견고합니다. 연구진은 이 시스템이 다양한 농장과 소 품종에 걸쳐 잘 작동한다고 언급하며, 이는 실세계 적용을 위해 적응될 수 있음을 시사합니다. 이 작업은 문제를 단 하나의 렌즈가 아닌 여러 개의 렌즈를 통해 바라봄으로써, 과학자들이 복잡한 생물학적 데이터의 노이즈 속에 숨겨져 있던 해결책을 찾아낼 수 있음을 강조합니다.