22. december 2022

Nyudnævnt professor: Data science kan spare fødevareforskningen årtier

DATA SCIENCE

Vi kan potentielt spare årtiers fødevareforskning ved at bruge data science til at undersøge, hvor vi har den største sandsynlighed for at finde de mest afgørende resultater. Det er en latent gamechanger, når vi vil omstille samfundet til at spise mere plantebaseret, siger nyudnævnt professor i datadrevet fødevare- og sundhedsvidenskab på Københavns Universitet.

Portræt af Morten Arendt Vils Rasmussen
”Databehandling skal hjælpe os med at sortere fra, så vi kan udforske de bedste, men stadigt usikre ideer, og ikke spilder tid på at finde svar på spørgsmål, som i virkeligheden ikke er så vigtige,” siger Morten Arendt Rasmussen. Foto: Claus Boesen

Hvis fødevareforskningen kan spare år på at finde frem til de løsninger, der skal skabe et mere bæredygtigt fødevaresystem, hvor vi overvejende spiser plantebaseret, vil det være hårdt tiltrængt. Det kræver nemlig en omfattende forskningsindsats, fordi planteproteiner opfører sig radikalt anderledes end animalske.

”Det svarer til, at vi går fra at bygge et hus af nogle materialer, som vi har lært at kende igennem mange år, til at bygge det samme hus af nogle nye materialer, som vi potentielt reagerer helt anderledes på. Vi skal nu først til at finde ud af, hvordan huset kan hænge sammen, have et godt indeklima osv. Det kræver, at vi genererer enorme mængder af ny viden på ultrakort tid, hvis man ser det i en fødevarehistorisk sammenhæng. Derfor skal vi udnytte de fantastiske muligheder, data science giver os for at finde de optimale løsninger langt hurtigere,” siger Morten Arendt Rasmussen.

Få flere nyheder om fødevareforskning og -uddannelse ved at tilmelde dig KU FOOD's nyhedsbrev

Han er per 1. januar 2023 udnævnt til professor i datadrevet fødevare- og sundhedsvidenskab, og deler sin tid imellem Institut for Fødevarevidenskab på Københavns Universitet (KU FOOD) samt Dansk Børneastma Center på Gentofte Hospital.

Derfor tager fødevareforskning tid

Inden for fødevarevidenskaben udvikles et forskningsprojekt ofte på følgende måde: Nogle forskere får en idé, som de opnår finansiering til. Der bliver samlet en forskningsgruppe, herunder fx hyret ph.d.-studerende, der skal hjælpe med at lave forsøg i laboratorierne og ad den vej indsamle data. Først når laboratoriearbejdet er ved at være færdigt, involveres data-forskere, der hjælper med tolkningen af forsøgene/prøverne.

 

På den måde har man traditionelt arbejdet ved at afprøve forskellige hypoteser, der er udvalgt med baggrund i litteraturen samt forskernes ideer, for over en lang periode at finde frem til den viden, vi har i dag.

Men med de nye muligheder inden for datavidenskab ser Morten Arendt Rasmussen store muligheder for at speede processen op inden for både forbrugervidenskaben samt i fødevarekemien og -mikrobiologen, dvs. selve forarbejdningen af fødevarerne.

”Vi skal både bruge data til at finde gode ideer i startfasen i forskningsprojekterne, samt som nu – i slutfasen, hvor vi bruger data til at eftervise hypoteserne.”

Datadrevet forbrugervidenskab

”Min plan er at udvikle computermodeller, der kan bruges til at udtrække viden om, hvilke fødevarer forbrugerne fortrækker fra allerede eksisterende databaser på nettet med henblik på at fremskynde grøn produktudvikling,” siger Morten Arendt Rasmussen.

Han underviser fx de studerende på kandidatuddannelsen i Fødevareinnovation og sundhed i dataanalyse og statistik, og ser en fremtid, hvor dataanalysen kan få stor betydning for forbrugerstudier – ikke mindst når det drejer sig om at skabe plantebaserede produkter, som både er sunde og næringsrige, og som forbrugerne vil spise, fordi de er lækre.

”Min tanke er at bruge allerede eksisterende, forbrugerorienterede databaser som fx Allrecipes og Ratebeer som udgangspunkt for at finde ud af, hvilke smage og teksturer madinteresserede mennesker verden over eksperimenterer- og har succes med,” siger han.

Ved hjælp af tekst-mining (hvor man trækker information ud af enorme tekstmængder med henblik på at afkode sammenhænge og mønstre) og datadrevne modeller, vil man potentielt kunne udnytte denne viden.

”Ud fra resultaterne vil vi kunne udvælge de hypoteser, vi bruger tid på at eksperimentere med i vores laboratorier, mere optimalt. Der er jo en fantastisk stor ressource af data etableret af mennesker verden over og igen bedømt af andre. Den vil vi kunne bruge til at få ideer og skabe nye, plantebaserede produkter, som både er sunde og sikre, og som med baggrund i den forbrugergenererede forhåndsviden også har en høj sandsynlighed for at vinde forbrugernes hjerter, hvilket er helt afgørende for produkternes succes,” siger Morten Arendt Rasmussen.

Datadrevet forarbejdning

Også når det gælder forarbejdningen kan data science potentielt hjælpe fødevareforskerne med at træffe mere informerede valg, inden de går i laboratoriet, mener Morten Arendt Rasmussen.

”Noget vi som fødevareforskere arbejder med, er at tage naturlige proteiner og processere dem til at blive noget andet. Det sker fx, når vi laver ost. Fødevareforarbejdning indebærer næsten altid en modifikation af proteinerne, og det har stor indflydelse på tekstur og smag,” forklarer han.

Virksomheden DeepMind har skabt AlphaFold2 – en machine-learning-model, der ud fra en aminosyresekvens (de kemiske byggesten til alle proteiner, der sidder som perler på en snor, og kaldes en sekvens) kan bruges til at forudsige, hvordan et ”nativt” (dvs. naturligt) protein vil folde sig til en tredimensionel struktur. Dette har stor betydning for proteinets biologiske aktivitet. Denne formation, altså proteinets tredimensionelle struktur i råvaren, er samtidig udgangspunktet for fødevareprocessering, og vil kunne benyttes til at forudsige, hvordan proteinet vil opføre sig under varmebehandling, og dermed fortælle om slutproduktets egenskaber.

”Proteinerne udgør en af flaskehalsene i vores omstilling til en mere plantebaseret kost, fordi planteproteinerne opfører sig anderledes end de animalske proteiner, når vi fx varmebehandler dem, fermenterer dem, køler dem, pisker dem – alt det vi udsætter proteinerne for under forarbejdningen af fødevarerne,” siger Morten Arendt Rasmussen og fortsætter:

”Hypotesen er, at når AlphaFold2 kan forudsige, hvordan et protein vil folde sig, så er denne information også relevant for, hvordan proteinet opfører sig under forarbejdning. Hvis vi kan forudsige dette, kan vi screene alverdens proteiner in-silico (beregnet via en computer) og dermed afdække kombinationer af forarbejdning og råvarer i enorme mængder, der vil være umulige at gennemføre via våd-laboratorie-metoder. Computerens bedste løsninger kan vi så tage med i laboratoriet og teste. En sådan forskningstilgang vil formentligt kunne spare os årtiers forskning,” siger Morten Arendt Rasmussen, der vil give sin tiltrædelsesforelæsning på en endnu ikke fastsat dato i 2023. 

Kontakt

Professor ved Institut for Fødevarevidenskab på Københavns Universitet (KU FOOD) Morten Arendt Rasmussen, mortenr@food.ku.dk

eller

Kommunikationsmedarbejder ved KU FOOD Lene Hundborg Koss, lene.h.koss@food.ku.dk

Emner

Læs også