Ein Team von Forschenden enthüllt, wie man die genaue Herkunft eines Weins allein anhand seiner chemischen Bestandteile feststellen kann.
Hat jeder Wein eine chemische Signatur und wenn ja, kann man anhand dieser seine Herkunft bestimmen? Die Weinbranche und zahlreiche Experten haben mehrfach versucht, dieses Geheimnis zu lüften, ohne dass es ihnen vollständig gelungen wäre. Dank der Anwendung von künstlicher Intelligenz auf bereits vorhandene Daten gelang es einem Team der Universität Genf in Zusammenarbeit mit dem Institut des Sciences de la Vigne et du Vin (ISVV) der Universität Bordeaux, die chemische Markierung von Rotweinen aus sieben großen Weingütern in der Region Bordeaux mit 100%iger Genauigkeit zu identifizieren. Diese Ergebnisse, die in der Fachzeitschrift Communications Chemistry veröffentlicht wurden, ebnen den Weg für potenzielle neue Werkzeuge zur Bekämpfung von Fälschungen, aber auch zur Entscheidungsfindung von Weinproduzenten.
Jeder Wein ist das Ergebnis einer feinen und komplexen Mischung aus mehreren tausend verschiedenen Molekülen. Ihre Konzentrationen variieren je nach Zusammensetzung der verwendeten Trauben, die u. a. von der Art und Struktur des Bodens, der Rebsorte und den Praktiken der Winzerinnen und Winzer abhängt. Diese Unterschiede, selbst wenn sie noch so gering sind, können sich erheblich auf den Geschmack des Weins auswirken. Daher ist es sehr schwierig, wenn nicht gar unmöglich, die genaue Herkunft eines Weins allein anhand dieses sensorischen Kriteriums zu bestimmen. Vor dem Hintergrund des Klimawandels, veränderter Konsumgewohnheiten und zunehmender Fälschungen ist es von entscheidender Bedeutung, über leistungsfähige Instrumente zur Identifizierung von Weinen zu verfügen.
Gibt es also eine chemische Signatur, die unveränderlich und für jedes Weingut spezifisch ist und die es ermöglichen würde, dies zu tun? Die Weinbranche hat schon viele Versuche unternommen, diese Frage zu beantworten, mit fragwürdigen Ergebnissen oder manchmal auch mit korrekten Ergebnissen, die jedoch aufwendige Techniken voraussetzen. Dies ist auf die hohe Komplexität der Mischungen und die Grenzen der bisherigen Methoden zurückzuführen, die in gewisser Weise der Suche nach einer Nadel im Heuhaufen gleichen’, erklärt Alexandre Pouget, ordentlicher Professor an der Abteilung für grundlegende Neurowissenschaften der Medizinischen Fakultät der Universität Genf.
Eine der klassisch verwendeten Methoden ist die Gaschromatografie. Sie besteht darin, die Bestandteile einer Mischung aufgrund der Affinität zwischen zwei Stoffen zu trennen. Die Mischung wird durch ein sehr dünnes, 30 Meter langes Rohr geleitet. Die Komponenten, die die größte Affinität zu dem Material in der Röhre haben, trennen sich nach und nach von den anderen. Jede Trennung wird von einem Detektor registriert, der ’Massenspektrometer’ genannt wird. Daraus wird ein ’Chromatogramm’ erstellt, auf dem ’Peaks’ erscheinen, die die verschiedenen Trennungen belegen. Bei Wein sind diese Peaks aufgrund der vielen Moleküle, aus denen er besteht, extrem zahlreich, was eine detaillierte und umfassende Analyse unmöglich macht.
Mit Machine Learning verarbeitete Daten
In Zusammenarbeit mit dem Team von Stéphanie Marchand vom Institut des Sciences de la Vigne et du Vin (ISVV) der Universität Bordeaux fand das Team von Alexandre Pouget die Lösung, indem es die Werkzeuge der künstlichen Intelligenz auf bestehende Chromatogramme aus früheren Studien anwandte. Diese Chromatogramme stammten von 80 Rotweinen aus zwölf Jahrgängen (1990-2007) und von sieben Weingütern aus der Region Bordeaux. Diese Rohdaten wurden mithilfe von Machine Learning verarbeitet, einem Bereich der künstlichen Intelligenz, in dem Algorithmen lernen, wiederkehrende Muster in Informationsmengen zu erkennen.
Anstatt einzelne Peaks zu extrahieren und daraus Konzentrationen abzuleiten, konnten wir mit dieser Methode die kompletten Chromatogramme jedes Weines - die bis zu 30.000 Punkte umfassen können - einschließlich des ’’Hintergrundrauschens’’ berücksichtigen und jedes dieser Chromatogramme nach Eliminierung unnötiger Variablen auf zwei X- und Y-Koordinaten zusammenfassen. Dieser Prozess wird als ’’Dimensionsreduktion’’ bezeichnet", erklärt Michael Schartner, ehemaliger Postdoktorand an der Abteilung für grundlegende Neurowissenschaften der Medizinischen Fakultät der Universität Genf und Erstautor der Studie.
Ein 100%ig zuverlässiges Modell
Als die Forscher die Koordinaten in einem Diagramm darstellten, sahen sie sieben "Wolken" von Punkten. Sie stellten fest, dass jede dieser Wolken die Jahrgänge eines Weinguts auf der Grundlage ihrer chemischen Ähnlichkeiten zusammenfasste. So konnten wir nachweisen, dass jedes Weingut eine eigene chemische Signatur hat. Wir haben auch festgestellt, dass drei Weine auf der rechten Seite und vier auf der linken Seite gruppiert waren, was den beiden Ufern der Garonne entspricht, an denen die Weingüter liegen’, sagt Stéphanie Marchand, Forscherin am Institut des Sciences de la Vigne et du Vin (ISVV) der Universität Bordeaux und Koautorin der Studie.
Bei ihren Analysen stellten die Forscher/innen erneut fest, dass die chemische Identität dieser Weine nicht durch die Konzentration einiger spezifischer Moleküle, sondern durch ein breites chemisches Spektrum definiert wurde. Unsere Ergebnisse zeigen, dass es möglich ist, die geografische Herkunft eines Weins mit 100%iger Genauigkeit zu identifizieren, wenn man die Techniken der Dimensionsreduktion auf Gas-Chromatogramme anwendet’, freut sich Alexandre Pouget, der die Arbeit leitete.
Diese Forschungsarbeiten liefern neue Erkenntnisse über die Komponenten der Identität eines Weins. Sie ebnen auch den Weg für die Entwicklung von Werkzeugen, die bei der Entscheidungsfindung helfen können - zum Beispiel, um die Identität und den Ausdruck eines Terroirs zu bewahren - und um Fälschungen wirksamer zu bekämpfen.
5. Dez. 2023
