Caractérisation du foodome basée sur l'IA

Résultat attendu :

Les résultats du projet devraient contribuer à tous les résultats attendus suivants :

• un outil d'intelligence artificielle (IA) capable d'accélérer l'analyse de données foodomiques complexes pour accélérer l'identification, la caractérisation structurelle et la quantification des produits chimiques présents dans les aliments ;
• l'amélioration des capacités et des synergies dans la recherche foodomique entre le monde universitaire, les infrastructures de recherche et l'industrie.

Portée :

Par le biais des aliments et des boissons, la population est exposée à une immense variété de produits chimiques (en tant que contaminants et en tant qu'ingrédients). Le « foodome » est l'ensemble complet des composés présents dans un échantillon alimentaire à un moment donné ; il comprend à la fois des biomolécules endogènes (produites par les processus métaboliques d'une espèce) et des composés exogènes (substances naturelles et synthétiques issues de la production, de la transformation, de la manipulation et de l'emballage). Les connaissances actuelles sont largement confinées à un ensemble restreint d'environ 150 composants alimentaires catalogués par les bases de données traditionnelles. Ces composants ne représentent qu'une très petite fraction de la complexité chimique totale présente dans les aliments, tandis que des milliers (>100 000) de composés et de contaminants restent largement non quantifiés et sous-explorés. Comprendre cette « matière noire nutritive » nécessiterait d'identifier, de cataloguer et de quantifier le spectre complet des substances présentes dans nos aliments et présentes dans des bases de données accessibles et prêtes pour l'IA. Le besoin de telles informations est aujourd'hui un goulot d'étranglement pour rendre le domaine de la nutrition prédictif et axé sur les données, et a le potentiel de rendre la transformation des aliments plus efficace pour mettre de nouveaux produits alimentaires sur le marché. Des efforts pour créer de tels ensembles de données sont en cours, mais en raison de la quantité d'échantillons (des centaines de milliers de composés dans des milliers d'aliments), ces bases de données reposent souvent sur des méthodes expérimentales à haut débit qui ne permettent pas une caractérisation précise des molécules identifiées.

Les propositions devraient aborder les activités suivantes :

• développer et tester des algorithmes d'IA validés capables d'interpréter et d'annoter des données foodomiques à haut débit, par exemple à partir de la spectrométrie de masse non ciblée ou de la résonance magnétique nucléaire ;
• les algorithmes d'IA devraient être capables de prédire ou d'inférer la présence et la concentration de composés sur la base de données foodomiques (incomplètes) via des approches innovantes, par exemple en considérant les relations phylogénétiques entre les espèces. De plus, cela devrait aider à identifier les méthodes analytiques et les dangers potentiels pour la sécurité alimentaire en fonction de leur similarité avec des composés connus ;
• développer un réseau européen de recherche et d'innovation entre les États membres et les pays associés dans la recherche sur l'exposome alimentaire pour soutenir le développement, la normalisation, la valorisation et la diffusion des résultats de l'IA et en tenant compte des initiatives existantes telles que le Centre d'excellence de l'initiative du tableau périodique des aliments de l'Université de Wageningen.

L'approche multi-acteurs est encouragée. Les propositions devraient inclure l'industrie dans les consortiums ainsi que le monde universitaire, les startups, les PME et les initiatives internationales. La collaboration avec des partenaires internationaux est encouragée ainsi qu'avec les entreprises privées existantes dans l'UE/les pays associés.

null