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

Abstract

The objective of this article is to introduce a comprehensive end-to-end solution aimed at enabling the application of state-of-the-art Data Science and Analytic methodologies to a food science related problem. The problem refers to the automation of load, homogenization, complex processing and real-time accessibility to low molecular-weight gelators (LMWGs) data to gain insights into their assembly behavior, i.e. whether a gel can be mixed with an appropriate solvent or not. Most of the work within the field of Colloidal and Food Science in relation to LMWGs have centered on identifying adequate solvents that can generate stable gels and evaluating how the LMWG characteristics can affect gelation. As a result, extensive databases have been methodically and manually registered, storing results from different laboratory experiments. The complexity of those databases, and the errors caused by manual data entry, can interfere with the analysis and visualization of relations and patterns, limiting the utility of the experimental work. Due to the above mentioned, we have proposed a scalable and flexible Big Data solution to enable the unification, homogenization and availability of the data through the application of tools and methodologies. This approach contributes to optimize data acquisition during LMWG research and reduce redundant data processing and analysis, while also enabling researchers to explore a wider range of testing conditions and push forward the frontier in Food Science research.

Este trabajo tiene como finalidad presentar una solución integral destinada a permitir la aplicación de metodologías de analítica y ciencia de datos de última generación a un problema relacionado con la ciencia de los alimentos. Dicho problema se refiere a la automatización de la carga, la homogeneización, el procesamiento complejo y el acceso en tiempo real a los datos de los gelantes de bajo peso molecular (LMWG por sus siglas en inglés) para obtener información sobre su comportamiento de ensanblaje, es decir, si un gel se puede mezclar con un solvente apropiado o no. La mayor parte del trabajo en el campo de la ciencia coloidal y de alimentos en relación con los LMWG se ha centrado en identificar los solventes adecuados que pueden generar geles estables, y evaluar cómo las características del LMWG pueden afectar la gelificación. Como resultado, se han registrado de forma metódica y manual extensas bases de datos, que almacenan los resultados de diferentes experimentos de laboratorio. La complejidad de esas bases de datos, y los errores causados por la entrada manual de datos, pueden interferir con el análisis y visualización de relaciones y patrones, limitando la utilidad del trabajo experimental. Por los motivos antes mencionados, hemos propuesto una solución de Big Data escalable y flexible para permitir la unificación, homogeneización y disponibilidad de los datos mediante la aplicación de herramientas y metodologías de datos. Este enfoque contribuye a optimizar la adquisición de datos durante la investigación de LMWG y reduce el procesamiento y análisis de datos redundantes, al tiempo que permite a los investigadores explorar una gama más amplia de condiciones de prueba y avanzar la frontera en la investigación de la ciencia de los alimentos.