Yapay Zeka destekli gıda karakterizasyonu

Beklenen Sonuç:

Proje sonuçlarının aşağıdaki beklenen sonuçların tümüne katkıda bulunması beklenmektedir:

• Gıdalarda bulunan kimyasalların tanımlanmasını, yapısal karakterizasyonunu ve miktar tayinini hızlandırmak için karmaşık gıda verilerinin analizini hızlandırabilen bir Yapay Zeka (YZ) aracı;
• Akademi, araştırma altyapıları ve endüstri arasında gıda araştırmalarında kapasite ve sinerjilerin iyileştirilmesi.

Kapsam:

Nüfus, yiyecek ve içecekler aracılığıyla çok çeşitli kimyasallara (kirleticiler ve bileşenler olarak) maruz kalmaktadır. “Foodome”, belirli bir zamanda bir gıda örneğinde bulunan bileşiklerin tamamıdır; hem endojen biyomolekülleri (bir türün metabolik süreçleri yoluyla üretilenler) hem de eksojen bileşikleri (üretim, işleme, elleçleme ve paketlemeden kaynaklanan doğal ve sentetik maddeler) içerir. Mevcut bilgi, geleneksel veri tabanları tarafından kataloglanan yaklaşık 150 gıda bileşeninden oluşan dar bir küme ile sınırlıdır. Bu bileşenler, gıdalarda bulunan toplam kimyasal karmaşıklığın çok küçük bir kısmını temsil ederken, binlerce (>100.000) bileşik ve kirletici büyük ölçüde miktar tayini yapılmamış ve yeterince araştırılmamıştır. Bu “besin karanlık maddesini” anlamak, gıdamızda bulunan ve erişilebilir, YZ'ye hazır veri tabanlarında bulunan tüm maddelerin tanımlanmasını, kataloglanmasını ve miktar tayinini gerektirecektir. Bu tür bilgilere duyulan ihtiyaç, beslenme alanını öngörülebilir ve veriye dayalı hale getirmek için bugün bir darboğazdır ve yeni gıda maddelerini piyasaya sürmede gıda işlemesini daha verimli hale getirme potansiyeline sahiptir. Bu tür veri kümeleri oluşturma çabaları devam etmektedir, ancak numune miktarı (binlerce gıdada yüz binlerce bileşik) nedeniyle, bu tür veri tabanları genellikle tanımlanan moleküllerin kesin bir karakterizasyonuna izin vermeyen yüksek verimli deneysel yöntemlere dayanmaktadır.

Teklifler aşağıdaki faaliyetleri ele almalıdır:

• Hedeflenmemiş kütle spektrometrisi veya nükleer manyetik rezonans gibi yüksek verimli gıda verilerini yorumlayabilen ve açıklayabilen doğrulanmış YZ algoritmaları geliştirmek ve test etmek;
• YZ algoritmaları, türler arasındaki filogenetik ilişkileri dikkate alarak, örneğin yenilikçi yaklaşımlar aracılığıyla (eksik) gıda verilerine dayanarak bileşiklerin varlığını ve konsantrasyonunu tahmin edebilmeli veya çıkarabilmelidir. Ayrıca, bu, bilinen bileşiklere benzerliklerine dayanarak analitik yöntemleri ve potansiyel gıda güvenliği tehlikelerini belirlemeye yardımcı olmalıdır;
• YZ sonuçlarının geliştirilmesini, standardizasyonunu, değerlenmesini ve yaygınlaştırılmasını desteklemek için Üye Devletler ve Ortak Ülkeler arasında gıda maruziyet araştırmalarında bir Avrupa araştırma ve inovasyon ağı geliştirmek ve Wageningen Üniversitesi'nden Gıda Girişimi Periyodik Tablosu Mükemmeliyet Merkezi gibi mevcut girişimleri dikkate almak.

Çok aktörlü yaklaşım teşvik edilmektedir. Teklifler, konsorsiyumlarda endüstriyi ve akademiyi, startup'ları, KOBİ'leri ve uluslararası girişimleri içermelidir. Uluslararası ortaklarla ve AB/Ortak ülkelerdeki mevcut özel şirketlerle işbirliği teşvik edilmektedir.

null