Подходы к алгоритму анализа результатов исследований микро- и макронутриентного состава хлебобулочных изделий. Сообщение первое

   Введение. Данные химического состава пищевых продуктов являются востребованными для решения многих задач как в медицинской, так и в социальной сфере. Востребованной является разработка механизмов актуализации действующих баз данных химического состава пищевых продуктов, в том числе требуется изменение подходов к получению первичных данных и разработка алгоритмов их обработки.
   Цель: разработка алгоритма получения статистически корректных значений средних концентраций и вариабельности основных микро- и макронутриентов в хлебобулочных изделиях.
   Материалы и методы. Для разработки и апробации алгоритма использовались данные лабораторных исследований хлебобулочных изделий, выполненные в рамках федерального проекта «Укрепление общественного здоровья» в 2020 году лабораториями Роспотребнадзора.
   Результаты. Хорошую разделяющую способность продемонстрировала кластеризация методом k-средних на две группы по показателю содержания жира. Предложен алгоритм генерализации данных, полученных от разных лабораторий, в связи с тем что не представляется возможным провести оценку совокупности ошибок (аналитической, лабораторного персонала, ввода и других). Для оценки результативности каждого этапа и алгоритма в целом использовалась величина отклонения получаемой вариабельности от исходной. В результате обработки этот показатель составил от 5 % для содержания углеводов и до 72 % для содержания жира. Для содержания углеводов, золы, пищевых волокон, витамина В1, натрия и влажности в обоих кластерах получены статистически значимые различия между обработанными значениями и исходными данными. Данный результат и сопоставимость полученных значений среднего и вариабельности со справочными могут свидетельствовать о корректности работы алгоритма. Для полученных значений содержания жира и белка статистически значимые отличия отсутствуют, но также фиксируется совпадение порядков значений со справочными.
   Заключение. Разработанный алгоритм позволил получить актуальные сведения о химическом составе хлебобулочных изделий. Дальнейшие исследования должны быть направлены на апробацию и, в случае необходимости, корректировку алгоритма для всех основных групп пищевых продуктов.

1. Healthy Diet. WHO Fact Sheets. Accessed April 23, 2022. https://www.who.int/news-room/fact-sheets/detail/healthy-diet

2. Попова А. Ю. О новых (2021) Нормах физиологических потребностей в энергии и пищевых веществах для различных групп населения Российской Федерации / А. Ю. Попова, В. А. Тутельян, Д. Б. Никитюк // Вопросы питания. – 2021. – Т. 90. – № 4 (536). – С. 6–19. doi: 10.33029/0042-8833-2021-90-4-6-19.

3. Samman N., Rossi M. C. 12th IFDC 2017 Special Issue – Challenges facing the establishment and management of a national food composition database in Argentina. J Food Compos Anal. 2019; 84 (132): 103292. doi: 10.1016/j.jfca.2019.103292

4. Silva M., Ribeiro M., Viegas O., et al. Exploring two food composition databases to estimate nutritional components of whole meals. J Food Compos Anal. 2021; 102: 104070. doi: 10.1016/j.jfca.2021.104070

5. Jeddi M. Z., Boon P. E., Cubadda F., et al. A vision on the ‘foodture’ role of dietary exposure sciences in the inter-play between food safety and nutrition. Trends Food Sci Technol. 2022; 120: 288-300. doi: 10.1016/j.tifs.2022.01.024

6. Бессонов В. В. Базы данных химического состава пищевых продуктов в эпоху цифровой нутрициологии / В. В. Бессонов [и др.] // Вопросы питания. – 2020. – Т. 89. – № 4. – С. 211–219. doi: 10.24411/0042-8833-2020-10058

7. Scrimshaw N. S. INFOODS: the international network of food data systems. Am J Clin Nutr. 1997; 65 (4 Suppl): 1190S-1193S. doi: 10.1093/ajcn/65.4.1190S

8. FAO/INFOODS Guidelines for Converting Units, Denominators, and Expressions – Version 1.0. FAO, Rome; 2012.

9. FAO/INFOODS Guidelines for Checking Food Composition Data prior to the Publication of a User Table/Database – Version 1.0. FAO, Rome; 2012.

10. Machackova M., Giertlova A., Porubska J., Roe M., Ramos C., Finglas P. EuroFIR Guideline on calculation of nutrient content of foods for food business operators. Food Chem. 2017; 238: 35-41. doi: 10.1016/j.foodchem.2017.03.103

11. Schubert A., Holden J. M., Wolf W. R. Selenium content of a core group of foods based on a critical evaluation of published analytical data. J Am Diet Assoc. 1987;87 (3): 285-99.

12. West C. E., Poortvliet E. J. The carotenoid content of foods with special reference to developing countries (Report). 1993. Accessed April 23, 2022. https://agris.fao.org/agris-search/search.do?recordID=XF2016032908

13. Holden J. M., Lemar L. E., Exler J. Vitamin D in foods: development of the US Department of Agriculture database. Am J Clin Nutr. 2008;87(4): 1092S-1096S. doi: 10.1093/ajcn/87.4.1092S

14. Raffo A., La Malfa G., Fogliano V., Maiani G., Quaglia G. Seasonal variations in antioxidant components of cherry tomatoes (Lycopersicon esculentum cv. Naomi F1). J Food Compos Anal. 2006; 19 (1): 11-19. doi: 10.1016/j.jfca.2005.02.003

15. Luthria D. L., Pastor-Corrales M. A. Phenolic acids content of fifteen dry edible bean (Phaseolus vulgaris L.) varieties. J Food Compos Anal. 2006; 19 (2–3): 205-211. doi: 10.1016/j.jfca.2005.09.003

16. Sarac I., Butnariu M. Food pyramid – The principles of a balanced diet. Int J Nutr Pharmacol Neurol Dis. 2020; 5 (2): 24-31. doi: 10.14302/issn.2379-7835.ijn-20-3199

17. Lockyer S., Spiro A. The role of bread in the UK diet: An update. Nutr Bull. 2020; 45 (2): 133-164. doi: 10.1111/nbu.12435

18. Bati A. The role of bread in Hungarian diet today. Acta Ethnographica Hungarica. 2012; 57 (2): 253-261. URL: https://www.researchgate.net/publication/279038728_The_role_of_bread_in_Hungarian_diet_today

19. Xu X., Liu H., Li L., Yao M. A comparison of outlier detection techniques for high-dimensional data. Int J Comput Intell Syst. 2018; 11 (1): 652. doi: 10.2991/ijcis.11.1.50

20. Das D., Nayak M., Pani S. K. Missing value imputation – A review. Int J Comput Sci Eng. 2019; 7 (4): 548-558. doi: 10.26438/ijcse/v7i4.548558

21. El-Bakry M., Ali F., El-Kilany A., Mazen S. Fuzzy based techniques for handling missing values. Int J Adv Comput Sci Appl. 2021; 12 (3). doi: 10.14569/IJACSA.2021.0120306

22. Nadraga V., Smirnov V., Boiko O., Dereko V. Comparison of missing values handling techniques using MICE package tools of R software and logistic regression model. In: Babichev S., Lytvynenko V., Wójcik W., Vyshemyrskaya S., eds. Lecture Notes in Computational Intelligence and Decision Making. Springer, Cham; 2021; 1246: 39-50. doi: 10.1007/978-3-030-54215-3_3

23. Pekel A. Y., Çalık A., Alataş M. S., et al. Evaluation of correlations between nutrients, fatty acids, heavy metals, and deoxynivalenol in corn (Zea mays L.). J Appl Poult Res. 2019; 28 (1): 94-107. doi: 10.3382/japr/pfy023

24. Pollard S., Namazi H., Khaksar R. Big data applications in food safety and quality. In: Encyclopedia of Food Chemistry. Academic Press; 2019: 356-363. doi: 10.1016/b978-0-08-100596-5.21839-8

25. Rashid W., Gupta M. K. A perspective of missing value imputation approaches. In: Gao X. Z., Tiwari S., Trivedi M., Mishra K., eds. Advances in Computational Intelligence and Communication Technology. Springer, Singapore; 2021; 1086: 307-315. doi: 10.1007/978-981-15-1275-9_25

26. Amano S., Aizawa K., Ogawa M. Food category representatives: Extracting categories from meal names in food recordings and recipe data. 2015 IEEE International Conference on Multimedia Big Data; 2015: 48-55. doi: 10.1109/BigMM.2015.54

27. Anzawa M., Amano S., Yamakata Y., Yamasaki T., Aizawa K., Ogawa M. Generation of representative meal names for food recording data by using web search results. 2016 IEEE International Conference on Multimedia & Expo Workshops (ICMEW); 2016: 1-6. doi: 10.1109/ICMEW.2016.7574745

28. Ahmed M., Seraj R., Syed Mohammed Shamsul Islam. The k-means algorithm: A comprehensive survey and performance evaluation. Electronics. 2020; 9 (8): 1295. doi: 10.3390/electronics9081295

29. Ruvuna F., Flores D., Mikrut B., De La Gana K., Fong S. Generalized lab norms for standardizing data from multiple laboratories. Drug Inf J. 2003; 37 (1): 61–79. doi: 10.1177/009286150303700109

30. Brunden M. N., Clark J. J., Sutter M. L. A general method of determining normal ranges applied to blood values for dogs. Am J Clin Pathol. 1970; 53 (3): 332-339. doi: 10.1093/ajcp/53.3.332

31. Herrera L. The precision of percentiles in establishing normal limits in medicine. J Lab Clin Med. 1958; 52 (1): 34-42.

32. Charrad M., Ghazzali N., Boiteau V., Niknafs A. NbClust: An R package for determining the relevant number of clusters in a data set. J Stat Softw. 2014; 61 (6): 1-36. doi: 10.18637/jss.v061.i06