Analisi chemotipica e genotipica combinata per la rintracciabilità di diverse specie e cultivar di lupino : applicazione di reti neurali artificiali

Il lupino è una delle materie prime che negli ultimi anni ha maggiormente destato l’interesse dell’industria alimentare. Questa pianta, appartenente alla famiglia delle leguminose, viene coltivata nell’area Mediterranea fin dall’antichità a scopo alimentare e come ingrediente mangimistico. Il seme è particolarmente interessante dal punto di vista nutrizionale per l’elevato contenuto proteico. Recentemente diversi gruppi di ricerca hanno messo in evidenza interessanti proprietà biologiche (ipocolesterolemizzante [1], antipertensiva [2], e ipoglicemizzante [3]), che lo rendono molto interessante come ingrediente di alimenti funzionali. Essendo la biodiversità del lupino molto elevata, in quanto molte cultivar di più specie sono utilizzate in diversi paesi del mondo, è necessario mettere a punto sistemi di rintracciabilità analitica per caratterizzarlo all’interno di alimenti complessi. A supporto delle analisi chimiche e genetiche, in questo lavoro viene proposta l’applicazione di un sofisticato modello matematico basato sull’uso di reti neurali artificiali autorganizzanti (Self Organizing Maps, SOM), abbinato alle più classiche e comuni tecniche di analisi statistica multivariata (Principal Component Analysis, PCA). Le reti neurali artificiali sono modelli matematici che rappresentano l'interconnessione tra elementi definiti ‘neuroni artificiali’, ossia costrutti matematici che in qualche misura imitano le proprietà dei neuroni viventi, permettendo di elaborare parallelamente numerosi set di dati in modo logico [4]. Il modello è stato utilizzato per valutare contemporaneamente sia i dati di composizione chimica (contenuto proteico e lipidico, contenuto di fattori antinutrizionali, contenuto in tocoferoli), sia i dati genetici (ottenuti da analisi RAPD - Random Amplified Polymorphic DNA), al fine di ottenere un data set completo e caratterizzante ciascuna specie e/o cultivar di lupino. L’analisi statistica ha permesso di ottenere una buona correlazione tra dati chimici e genetici, evidenziando parametri comuni tra le specie di lupino analizzate, piuttosto che parametri discriminanti specifici per ogni singolo campione. L’impiego della PCA ha consentito il riconoscimento delle specie di lupino (L. albus e L. angustifolius) sia su base chimica, sia su base genetica; inoltre è stato possibile selezionare alcuni primer RAPD e alcune variabili chimiche particolarmente caratterizzanti specifiche cultivar. Le reti neurali sono state applicate all’analisi combinata dei parametri chimici e genetici: nonostante il modello utilizzato fosse di tipo “non supervisionato”, è stato possibile clusterizzare in modo ottimale i campioni appartenenti alle diverse specie ed individuare le maggiori similitudini tra le cultivar. 1. C.R. SIRTORI, et al. J. Nutr. 134, 18-23 (2004). 2. T.K. PILVI, et al. J. Physiol. Pharmacol. 57, 167-176 (2006). 3. Y.P. LEE, et al. Am. J. Clin. Nut. 84, 975-980 (2006). 4. K. GURNEY. An Introduction to Neural Networks. UCL Press (1997).