Von der Olive zum Datenpunkt

Spanischen Wissenschaftlern ist es gelungen, die chemische und sensorische Qualität des späteren Öls direkt aus der einzelnen Olive zu bestimmen, also noch vor der Extraktion. Dieser Ansatz besitzt weitreichende Relevanz für die Lebensmittelsensorik, das Qualitätsmanagement sowie für KI-basierte und onlinefähige Analysesysteme.

Der methodische Kern des neuen Verfahrens liegt in der direkten Analyse der Olive mittels minimaler Probenvorbereitung. Nach dem Entfernen des Steins werden flüchtige Aromakomponenten mithilfe einer Festphasen-Mikroextraktion (SPME) aufgenommen, während phenolische Verbindungen und Fettsäuren aus dem Fruchtmaterial bestimmt werden. Die analytische Auswertung erfolgt massenspektrometrisch und erlaubt die Identifikation und Quantifizierung einer Vielzahl qualitätsrelevanter Metabolite.

Datengetriebene Qualitätsbewertung

Bemerkenswert ist dabei nicht nur die analytische Präzision, sondern auch die Skalierbarkeit: Die Ergebnisse zeigen, dass bereits eine einzelne Olive ausreicht, um Aussagen über Reifegrad, sensorisches Profil und zu erwartende Ölqualität zu treffen. Damit wird der Übergang von einer chargenbasierten hin zu einer hochaufgelösten, datengetriebenen Qualitätsbewertung möglich.

Relevanz 

Für die Lebensmittelsensorik eröffnet dieser Ansatz neue Wege. Klassische Humansensorik ist meist zeit- und ressourcenintensiv. Die direkte Erfassung von Aromavorstufen und flüchtigen Verbindungen in der Olive erlaubt eine schnelle und objektive Vorhersage sensorischer Attribute zur Fruchtigkeit, wie „grüne“ oder „reife“.

Instrumentelle Sensorik kann damit nicht als Ersatz, wohl aber als präzise Ergänzung zur Humansensorik dienen. In der Praxis ermöglicht dies:

• eine Vorselektion von Rohmaterial für sensorische Panels
• eine Reduktion der Probenanzahl in Paneltests
• eine bessere Kalibrierung und Schulung von Verkosterinnen und Verkostern.

Hybride Sensorik

Langfristig wird so eine hybride Sensorik möglich, in der menschliche Wahrnehmung und instrumentelle Messdaten noch intensiver systematisch verknüpft werden. 

Auch für das Qualitätsmanagement ist das Verfahren hochrelevant. Die Möglichkeit, den Reifegrad und die zu erwartende Ölqualität vor der Verarbeitung zu bestimmen, erlaubt eine deutlich präzisere Prozesssteuerung. Erntezeitpunkte können datenbasiert optimiert, Fehlchargen vermieden und Rohstoffströme gezielt gelenkt werden.

Darüber hinaus unterstützt die Methode zentrale Anforderungen moderner Qualitätsmanagementsysteme, wie:

• Rückverfolgbarkeit durch dokumentierte chemische Fingerprints
• Reproduzierbarkeit analytischer Ergebnisse
• Prozesssicherheit durch frühzeitige Entscheidungsgrundlagen.

Gerade im Kontext steigender regulatorischer Anforderungen und internationaler Qualitätsstandards bietet die frühe analytische Absicherung einen klaren Mehrwert.

Anschlussfähigkeit an KI und datengetriebene Modelle

Ein zentrales Innovationspotenzial liegt in der Anschlussfähigkeit des Verfahrens an Künstliche Intelligenz. Die Vielzahl erfasster Metabolite bildet eine hochdimensionale Datenbasis, die prädestiniert ist für den Einsatz maschineller Lernverfahren. Bereits in der Studie wird gezeigt, dass chemische Marker zuverlässig mit sensorischen Attributen korrelieren.
In der Praxis können daraus KI-Modelle entstehen, die:

• Reifegrade automatisiert klassifizieren
• sensorische Profile prognostizieren
• Entscheidungsunterstützung für Ernte-, Misch- und Verarbeitungsstrategien liefern.

Für die Wissenssicherung ist dies besonders relevant: Sensorische Expertise, die bislang stark personengebunden war, kann in datengetriebenen Modellen strukturiert abgebildet und langfristig ergänzend zum Panel nutzbar gemacht werden – ein entscheidender Faktor angesichts von Fachkräftemangel und Generationenwechsel.

Perspektiven für Online-Analytik und instrumentelle Sensorik

Obwohl das aktuelle Verfahren noch laborbasiert ist, zeigt es eine klare Richtung für zukünftige Online- und AtlineAnalytiksysteme auf. Denkbar sind kompakte Sensorsysteme oder modulare Analyseplattformen, die in Ernte oder Verarbeitungsprozesse integriert werden können. In Kombination mit anderen instrumentellen Verfahren, etwa NIR-Spektroskopie, elektronischer Nase oder bildgebenden Methoden, könnten multisensorische Systeme entstehen, die kontinuierlich Qualitätsparameter erfassen. Die hier vorgestellte Methodik liefert dafür eine chemisch-sensorische Referenz, gegen die solche Systeme trainiert und validiert werden können.