KI-gestützte Foodome-Charakterisierung

Erwartetes Ergebnis:

Es wird erwartet, dass die Projektergebnisse zu allen folgenden erwarteten Ergebnissen beitragen:

• ein Tool für Künstliche Intelligenz (KI), das die Analyse komplexer Foodomics-Daten beschleunigen kann, um die Identifizierung, strukturelle Charakterisierung und Quantifizierung von in Lebensmitteln vorhandenen Chemikalien zu beschleunigen;
• Verbesserung der Kapazitäten und Synergien in der Foodomics-Forschung zwischen Wissenschaft, Forschungsinfrastrukturen und Industrie.

Umfang:

Über Lebensmittel und Getränke ist die Bevölkerung einer immensen Vielfalt von Chemikalien (als Kontaminanten und als Inhaltsstoffe) ausgesetzt. Das „Foodome“ ist die vollständige Menge an Verbindungen, die zu einem bestimmten Zeitpunkt in einer Lebensmittelprobe vorhanden sind; es umfasst sowohl endogene Biomoleküle (die durch die Stoffwechselprozesse einer Art produziert werden) als auch exogene Verbindungen (natürliche und synthetische Substanzen aus Produktion, Verarbeitung, Handhabung und Verpackung). Das derzeitige Wissen beschränkt sich weitgehend auf eine kleine Gruppe von etwa 150 Lebensmittelkomponenten, die in traditionellen Datenbanken katalogisiert sind. Diese Komponenten stellen nur einen sehr kleinen Bruchteil der gesamten chemischen Komplexität in Lebensmitteln dar, während Tausende (>100.000) von Verbindungen und Kontaminanten weitgehend unquantifiziert und unerforscht bleiben. Das Verständnis dieser „Nährstoff-Dunkle Materie“ würde die Identifizierung, Katalogisierung und Quantifizierung des gesamten Spektrums der in unseren Lebensmitteln vorhandenen Substanzen und deren Bereitstellung in zugänglichen, KI-fähigen Datenbanken erfordern. Der Bedarf an solchen Informationen ist heute ein Engpass, um den Bereich der Ernährung prädiktiv und datengesteuert zu gestalten, und hat das Potenzial, die Lebensmittelverarbeitung effizienter zu gestalten, um neue Lebensmittel auf den Markt zu bringen. Bemühungen zur Erstellung solcher Datensätze sind im Gange, aber aufgrund der Menge der Proben (Hunderttausende von Verbindungen in Tausenden von Lebensmitteln) basieren solche Datenbanken oft auf Hochdurchsatz-Experimentiermethoden, die keine präzise Charakterisierung der identifizierten Moleküle ermöglichen.

Vorschläge sollten die folgenden Aktivitäten umfassen:

• Entwicklung und Erprobung validierter KI-Algorithmen, die in der Lage sind, Hochdurchsatz-Foodomics-Daten, beispielsweise aus ungerichteter Massenspektrometrie oder Kernspinresonanz, zu interpretieren und zu annotieren;
• die KI-Algorithmen sollten in der Lage sein, das Vorhandensein und die Konzentration von Verbindungen auf der Grundlage (unvollständiger) Foodomics-Daten durch innovative Ansätze vorherzusagen oder abzuleiten, beispielsweise unter Berücksichtigung phylogenetischer Beziehungen zwischen Arten. Darüber hinaus sollte dies dazu beitragen, Analysemethoden und potenzielle Lebensmittelsicherheitsrisiken basierend auf ihrer Ähnlichkeit mit bekannten Verbindungen zu identifizieren;
• Entwicklung eines europäischen Forschungs- und Innovationsnetzwerks zwischen Mitgliedstaaten und assoziierten Ländern in der Food-Exposom-Forschung, um die Entwicklung, Standardisierung, Verwertung und Verbreitung der KI-Ergebnisse zu unterstützen und bestehende Initiativen wie das Centre of Excellence in the Periodic Table of Food Initiative der Wageningen University zu berücksichtigen.

Der Multi-Akteur-Ansatz wird gefördert. Vorschläge sollten die Industrie in den Konsortien sowie die Wissenschaft, Start-ups, KMU und internationale Initiativen einbeziehen. Die Zusammenarbeit mit internationalen Partnern sowie mit bestehenden privaten Unternehmen in der EU/assoziierten Ländern wird ebenfalls gefördert.

null