Data Science & Engineering into Food Science: A novel Big Data Platform for Low Molecular Weight Gelators’ Behavioral Analysis

• Cuello, Verónica ^[1] ; Zarza, Gonzalo ; Corradini, Maria ^[2] ; Rogers, Michael ^[2]
  1. [1] Universidad Argentina de la Empresa

     Universidad Argentina de la Empresa

     Argentina

     
  2. [2] University of Guelph

     University of Guelph

     Canadá

     
• Localización: Journal of Computer Science and Technology, ISSN-e 1666-6038, Vol. 20, Nº. 2, 2020 (Ejemplar dedicado a: Fifty-Second Issue; e14)
• Idioma: inglés
• Enlaces
  • Texto completo
• Resumen
  • español

    Este trabajo tiene como finalidad presentar una soluciónintegral destinada a permitir la aplicación demetodologías de analítica y ciencia de datos de últimageneración a un problema relacionado con la cienciade los alimentos. Dicho problema se refiere a la automatizaciónde la carga, la homogeneización, el procesamientocomplejo y el acceso en tiempo real a losdatos de los gelantes de bajo peso molecular (LMWGpor sus siglas en inglés) para obtener información sobresu comportamiento de ensanblaje, es decir, si ungel se puede mezclar con un solvente apropiado o no.La mayor parte del trabajo en el campo de la cienciacoloidal y de alimentos en relación con los LMWG seha centrado en identificar los solventes adecuados quepueden generar geles estables, y evaluar cómo las característicasdel LMWG pueden afectar la gelificación.Como resultado, se han registrado de forma metódica ymanual extensas bases de datos, que almacenan los resultadosde diferentes experimentos de laboratorio. Lacomplejidad de esas bases de datos, y los errores causadospor la entrada manual de datos, pueden interferircon el análisis y visualización de relaciones y patrones,limitando la utilidad del trabajo experimental.Por los motivos antes mencionados, hemos propuestouna solución de Big Data escalable y flexiblepara permitir la unificación, homogeneización ydisponibilidad de los datos mediante la aplicación deherramientas y metodologías de datos. Este enfoquecontribuye a optimizar la adquisición de datos durantela investigación de LMWG y reduce el procesamientoy análisis de datos redundantes, al tiempo que permitea los investigadores explorar una gama más ampliade condiciones de prueba y avanzar la frontera en lainvestigación de la ciencia de los alimentos.

  • English

    The objective of this article is to introduce a comprehensiveend-to-end solution aimed at enabling the applicationof state-of-the-art Data Science and Analyticmethodologies to a food science related problem. Theproblem refers to the automation of load, homogenization,complex processing and real-time accessibility tolow molecular-weight gelators (LMWGs) data to gaininsights into their assembly behavior, i.e. whether agel can be mixed with an appropriate solvent or not.Most of the work within the field of Colloidal andFood Science in relation to LMWGs have centered onidentifying adequate solvents that can generate stablegels and evaluating how the LMWG characteristics canaffect gelation. As a result, extensive databases havebeen methodically and manually registered, storingresults from different laboratory experiments. Thecomplexity of those databases, and the errors causedby manual data entry, can interfere with the analysisand visualization of relations and patterns, limiting theutility of the experimental work.Due to the above mentioned, we have proposed ascalable and flexible Big Data solution to enable theunification, homogenization and availability of the datathrough the application of tools and methodologies.This approach contributes to optimize data acquisitionduring LMWG research and reduce redundant data processingand analysis, while also enabling researchersto explore a wider range of testing conditions and pushforward the frontier in Food Science research.