Computergestützter Vorhersagemodelle Vorhersagen wie Lebensmittel wirken und schmecken

Anbieter zum Thema

Leibniz-Institut für Lebensmittel-Systembiologie an der TU München

Shimadzu Deutschland GmbH

Axel Semrau GmbH /Trajan Scientific and Medical

Labexchange - Die Laborgerätebörse GmbH

Mithilfe von Statistik, Bioinformatik und maschinellem Lernen wollen Forschende künftig chemische Analysen von Lebensmittel-Inhaltsstoffen mit biologischen Daten aus Zell- oder Humanstudien kombinieren. So ließe sich z.B. besser verstehen und vorhersagen, wie die Inhaltsstoffe zusammenwirken, wie sie den Geschmack beeinflussen und welche Effekte sie im Körper haben.

Am Leibniz-Institut für Lebensmittel-Systembiologie an der Technischen Universität München hat eine neue Nachwuchsgruppe ihre Arbeit aufgenommen. Unter der Leitung von Dr. Nikolai Köhler widmet sich die Gruppe Integrative Food Systems Analysis der Entwicklung computergestützter Vorhersagemodelle für die sensorischen und physiologischen Wirkungen von Lebensmittel-Inhaltsstoffsystemen.

Im Zentrum ihrer Forschung stehen integrative Multiomics-Ansätze. Die Nachwuchsgruppe entwickelt neue rechnergestützte Methoden, um die vielfältigen Hochdurchsatzdaten aus lebensmittelchemischen Analysen und biologischen Funktionsstudien zusammenzuführen und auszuwerten. Durch die Kombination von Graphentheorie, Statistik und maschinellem Lernen wollen die Forschenden neue Erkenntnisse über sogenannte Lebensmittel-Inhaltsstoffsysteme gewinnen, also über das Zusammenspiel sensorisch wirksamer und bioaktiver Substanzen.

Vorhersagemodelle sind ein Schlüssel

„Vorhersagemodelle sind ein Schlüssel, um den Übergang zu datengetriebenen, nachhaltigeren und effizienteren Lebensmittel- und Ernährungssystemen zu gestalten. Ich freue mich sehr, hierzu mit meiner Arbeit am renommierten Leibniz-Institut einen wichtigen Beitrag leisten zu können“, sagt Gruppenleiter Dr. Nikolai Köhler. Langfristiges Ziel sei es, auf Basis von Inhaltsstoffprofilen vorhersagen zu können, wie Lebensmittel sensorisch wirken und welche anderen physiologischen Wirkungen sie im menschlichen Körper entfalten.

Dr. Köhler studierte Molekulare Biotechnologie an der Technischen Universität München und promovierte am Bayerischen Forschungsinstitut für Digitale Transformation (bidt) als Mitglied der Nachwuchsgruppe LipiTUM. Während seiner Promotion absolvierte er zudem einen Forschungsaufenthalt an der Yale University (New Haven, USA). In dieser Zeit beschäftigte er sich insbesondere mit computergestützten Methoden zur Analyse von Stoffwechselprodukten und -netzwerken im Kontext der Systembiologie.

Anschließend forschte er an der Universität Heidelberg in der Arbeitsgruppe von Jun.-Prof. Britta Velten (Data Science in der Biologie). Dort entwickelte er Methoden des maschinellen Lernens zur Analyse räumlicher Omics-Daten weiter.

Die Arbeiten tragen zur übergeordneten Mission bei

Die Arbeiten der neuen Nachwuchsgruppe tragen zur übergeordneten Mission des Leibniz-Instituts bei, eine wissenschaftliche Grundlage für die Entwicklung innovativer, sensorisch attraktiver und nachhaltig produzierter Lebensmittel zu schaffen, die eine gesunde Ernährung fördern. Perspektivisch sollen die entwickelten Methoden auch von Unternehmen und Behörden entlang der gesamten Wertschöpfungskette genutzt werden können.

„Wir freuen uns sehr, mit Nikolai Köhler einen so talentierten und engagierten Wissenschaftler für unser Institut gewonnen zu haben“, sagt Prof. Corinna Dawid, wissenschaftliche Direktorin des Leibniz-Instituts. Mit der neuen Nachwuchsgruppe Integrative Food Systems Analysis stärke das Institut seine einzigartige, interdisziplinäre Forschung an der Schnittstelle von Lebensmittelchemie und Biologie, Chemosensorik und Technologie sowie Bioinformatik und maschinellem Lernen.

Hintergrundinformation: Von Omics bis Multiomics

Bei „Integrativen Multiomics-Ansätzen“ werden verschiedene „Omics“-Daten gemeinsam analysiert, um komplexe biologische Systeme ganzheitlich zu verstehen.

Der Begriff „Omics“ steht dabei für unterschiedliche Ebenen biologischer Information, zum Beispiel: Genomik (Gene), Transkriptomik (Genaktivität), Proteomik (Proteine) und Metabolomik (Stoffwechselprodukte). „Integrativ“ bedeutet in diesem Kontext, dass diese Daten nicht getrennt betrachtet, sondern miteinander verknüpft werden. Mithilfe von Statistik, Bioinformatik und maschinellem Lernen lassen sich so Zusammenhänge erkennen, die in einzelnen Datensätzen nicht sichtbar wären. Im Kontext der Lebensmittelforschung bedeutet dies konkret, dass man beispielsweise chemische Analysen von Inhaltsstoffen mit biologischen Daten aus Zell- oder Humanstudien kombiniert. So kann man zum Beispiel besser verstehen, wie Inhaltsstoffe zusammenwirken, wie sie den Geschmack beeinflussen und welche Effekte sie im Körper haben.

Kurz gesagt liefern „integrative Multiomics-Ansätze“ ein umfassenderes Bild davon, wie komplexe Systeme funktionieren, indem sie viele Datenebenen gleichzeitig zusammenführen und auswerten.

(ID:50834593)