Animal Feed
Machine Learning for Predicting Zearalenone Contamination Levels in Pet Food
Machine Learning for Predicting Zearalenone Contamination Levels in Pet Food
- 저자: Zhenlong Wang; Wei An; Jiaxue Wang; Hui Tao; Xiumin Wang; Bing Han; Jinquan Wang
- 출처: Toxins (2024)
- DOI/링크: https://doi.org/10.3390/toxins16120553
- 연구 계열: Topics/Animal Feed
- 투고일: 2024-10-15
TL;DR
전자코와 머신러닝으로 반려동물 사료의 Zearalenone(ZEN) 250 µg/kg 초과 여부를 분류했다. 개별 모델 중 MLP의 정확도가 86.6%로 가장 높았고, 앙상블은 90.1%를 기록했다.
1. 연구 배경 및 동기
- 다루는 문제: ZEN은 반려동물 사료의 곡물 원료와 완제품에서 검출되는 곰팡이독소이다. 기존 크로마토그래피와 면역분석은 민감도와 특이도가 높지만 전처리·장비·분석 시간 때문에 현장 신속 선별에 제약이 있다.
- 기존의 공백 / 왜 필요한가: 시장 유통 전 사료의 ZEN 기준 초과 여부를 빠르고 저렴하게 선별할 방법이 필요했다.
2. 관련 연구
- 기존 연구 흐름: 전자코와 머신러닝을 결합해 옥수수·밀의 AFB1, DON, fumonisin 오염을 구분하는 연구가 진행됐다. 기존 옥수수 연구에서는 MLP가 LR과 판별분석보다 높은 분류 정확도를 보였다.
- 이 논문의 위치: 반려동물 사료의 냄새 정보를 이용해 ZEN 기준 초과 여부를 분류했다. 6개 개별 모델과 가중 앙상블의 성능을 비교했다.
3. 핵심 기여
- 시판 사료 142개의 ZEN 정량값과 전자코 센서 정보를 연결했다.
- 10개 센서 중 9개에서 ZEN 기준 초과군과 이하군의 차이를 확인했다.
- 앙상블로 정확도 90.1%, 정밀도 92.3%를 달성했다.
- 동일 시료의 반복 측정값을 같은 데이터 집합에 배정해 학습·평가 간 누출을 방지했다.
4. 제안 방법론
- 전체 접근 논리: UPLC-MS/MS로 측정한 ZEN 농도를 기준으로 시료에 이진 라벨을 부여하고, 전자코의 10개 센서 응답으로 기준 초과 여부를 예측했다. 시료 단위로 학습·시험 데이터를 분리해 개별 모델과 앙상블을 평가했다.
- 단계:
- 중국에서 2021~2023년 수집한 사료 142개를 분쇄하고, 시료마다 10 g씩 3개 분취해 전자코로 측정했다.
- 별도 시료 25 g을 50% acetonitrile 100 mL로 250 rpm에서 1시간 추출하고, 정제 후 UPLC-MS/MS로 ZEN을 정량했다.
- ZEN >250 µg/kg을 1, ≤250 µg/kg을 0으로 지정하고 센서값을 MinMaxScaler로 변환했다. GroupShuffleSplit으로 학습 90%·시험 10% 분할을 5회 수행했다.
- LR, SVM, k-NN, RF, XGBoost, MLP와 앙상블을 구축했다. 교차검증으로 하이퍼파라미터를 조정하고 순열 중요도와 분류 성능을 평가했다.
5. 실험 설정
| 항목 | 내용 |
|---|---|
| 대상/재료 | 2021~2023년 중국의 여러 브랜드에서 수집한 반려동물 사료 142개. 전자코 측정은 시료당 3회이다. |
| 처리 조건 | 전자코용 분말 10 g을 50 mL 둥근바닥 플라스크에 넣고 25 °C에서 12시간 평형화했다. AIRPEN3의 금속산화물 센서 10개를 사용했고, 공기 유량은 400 mL/min, 기록 주파수는 1 Hz, 측정 후 세척은 60초였다. 분류 기준은 성견·성묘에 적용하는 ZEN 250 µg/kg이었다. |
| 대조군 | ZEN ≤250 µg/kg 시료 88개를 비교군으로 사용했다. 센서 응답의 기준 공기는 활성탄으로 여과한 환경 공기였다. |
| 측정 방법 | UPLC-MS/MS의 ZEN 검출한계 3 µg/kg, 정량한계 10 µg/kg. 전자코 응답은 시료 기체와 깨끗한 공기에서의 전기전도도 비율 G/G0로 산출했다. 센서별 군 차이는 t-test로 분석했고, 모델은 정확도·정밀도·재현율·F1·ROC-AUC·혼동행렬로 평가했다. |
6. 실험 결과 분석
| 지표 | 변화(Δ) | 조건 · 유의성 |
|---|---|---|
| ZEN 농도 범위 | 0~4133 µg/kg | 전체 142개 |
| ZEN 평균·중앙값 | 평균 392.1 ± 626.8; 중앙값 177.5 µg/kg | 평균 ± SD |
| ZEN 기준 초과·이하 시료 | 54개(38.0%) vs 88개(62.0%) | >250 vs ≤250 µg/kg |
| 전자코 센서 응답 차이 | 10개 중 9개 유의; R8 비유의 | 초과군 vs 이하군, p < 0.05; R8 p > 0.05 |
| 분류 정확도 | 86.6% vs 90.1% | MLP vs 앙상블 |
| 정밀도 | 77.9% vs 92.3% | MLP vs 앙상블 |
| 재현율 | 83.8% vs 79.7% | MLP vs 앙상블, 표 3 |
| F1 | 79.8% vs 84.6% | MLP vs 앙상블 |
| ROC-AUC | 0.89 vs 0.90 ± 0.08 | MLP vs 앙상블 |
| 앙상블 음성·양성 정분류율 | 96.7% vs 76.4% | ≤250 vs >250 µg/kg, 혼동행렬 |
7. 비판적 평가
강점
- UPLC-MS/MS 정량값을 기준으로 실제 시판 사료의 분류 성능을 평가했다.
- 시료 단위 분할로 반복 측정값의 학습·시험 집합 중복을 방지했다.
- 여러 분류 지표와 센서 중요도를 함께 분석했다.
한계 · 의문
- 시료가 142개로 적어 모델 일반화에 한계가 있다.
- 250 µg/kg 기준은 어린 개·고양이의 150~250 µg/kg 노출 위험을 구분하지 못했다. 150 µg/kg 기준의 예비 모델 정확도는 70% 미만이었다.
- 앙상블 재현율은 표 3에서 79.7%, 혼동행렬 설명에서 양성 정분류율 76.4%로 보고돼 차이가 있다.
8. 향후 연구 방향
- 시료를 추가해 모델 일반화 성능을 높인다.
- 데이터 축적과 모델 조정으로 어린 개·고양이의 150 µg/kg 기준 분류 성능을 개선한다.
- 추가 하이퍼파라미터 조정과 특징 가공으로 분류 정확도를 높인다.
9. 결론
전자코와 머신러닝의 결합은 반려동물 사료의 ZEN 기준 초과 여부를 선별할 가능성을 보였다. 앙상블이 가장 높은 정확도를 기록했으며, 유통 전 신속 선별에 활용할 후보 방법이다.
Keywords
zearalenone, electronic nose, machine learning, pet food, mycotoxin contamination, ensemble model, food safety, classification
원문 그림




원문 그림 · 라이선스: cc-by