← 목록으로
Animal Feed

Machine Learning for Predicting Zearalenone Contamination Levels in Pet Food

정리일 2026-07-20

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

  1. 시판 사료 142개의 ZEN 정량값과 전자코 센서 정보를 연결했다.
  2. 10개 센서 중 9개에서 ZEN 기준 초과군과 이하군의 차이를 확인했다.
  3. 앙상블로 정확도 90.1%, 정밀도 92.3%를 달성했다.
  4. 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

Figure 1. Box plots and statistical analysis of ZEN contamination levels (1: >250 µg/kg, 0: ≤250 µg/kg)
Figure 1. Box plots and statistical analysis of ZEN contamination levels (1: >250 µg/kg, 0: ≤250 µg/kg)
wang2024machine
Figure 3. ROC curves of six machine learning models: logistic regression (LR), support vector
Figure 3. ROC curves of six machine learning models: logistic regression (LR), support vector
Figure 4. Confusion matrices for different machine learning models applied to the classification
Figure 4. Confusion matrices for different machine learning models applied to the classification

원문 그림 · 라이선스: cc-by

paperzearalenoneelectronic-nosemachine-learningpet-foodmycotoxin-contaminationensemble-model