La classificazione dei tannini enologici ha acquisito importanza in seguito all’obbligo dell’OIV di indicare la loro origine botanica sulle etichette dei prodotti (OIV-OENO 624-2022). Un metodo di classificazione rapido sarebbe particolarmente prezioso per i produttori e i rivenditori, consentendo loro di determinare rapidamente l’origine dei tannini. Questo studio esplora un approccio innovativo che utilizza la voltammetria lineare sweep (LSV) di abbinata ad algoritmi di apprendimento automatico per classificare i tannini enologici. I metodi tradizionali come LC-MS, UV-Vis, e FTIR forniscono informazioni chimiche dettagliate, ma spesso richiedono tempo, costi elevati e personale specializzato. Al contrario, la voltammetria offre un’alternativa rapida ed economica, anche se presenta delle difficoltà nell’interpretazione dei voltammogrammi risultanti a causa delle sovrapposizioni dei segnali dovute a vari processi elettrochimici. L’interpretazione di questi risultati può richiedere un’elaborazione avanzata dei dati, come la deconvoluzione del segnale (Ugliano, 2016) e algoritmi di apprendimento automatico per estrarre informazioni dai modelli voltammetrici (Choi et al., 2022).
Tuttavia, l’efficienza degli algoritmi di apprendimento automatico è strettamente legata a un’ampia disponibilità di dati. Per ovviare a queste limitazioni, è stata impiegata una rete Generative Adversarial Network (GAN) per generare voltammogrammi sintetici, combinati con i dati sperimentali per ampliare il dataset di addestramento. Questo set di dati ampliato è stato utilizzato per addestrare modelli di apprendimento automatico, tra cui Random Forest, Extreme Gradient Boosting e Support Vector Machine (SVM), con quest’ultimo che ha ottenuto i migliori risultati di classificazione. Il modello SVM ha dimostrato un’elevata accuratezza (94%) e un’eccellente discriminazione tra le classi di tannini, come indicato da un AUC-ROC di 0,9971.
Lo studio ha anche integrato l’importanza delle caratteristiche e le analisi di eliminazione ricorsiva delle caratteristiche (RFE) per identificare le caratteristiche chiave voltammetriche che contribuiscono alla classificazione. Le caratteristiche intorno a 0,3 V, 0,57-0,65 V e 1,11-1,17 V sono risultate critiche per distinguere tra i tipi di tannino. Sebbene il metodo proposto evidenzi il potenziale della combinazione di
voltammetria e apprendimento automatico per una rapida classificazione dei tannini, sono necessari ulteriori studi sulle soluzioni dei modelli per generalizzare l’approccio a diverse matrici di vino.
Questo flusso di lavoro costituisce un promettente strumento per l’industria vinicola, offrendo un metodo rapido ed economico per classificare i tannini e ottimizzare le loro applicazioni enologiche.