Die Peptid- und Proteinforschung bei GALAB Laboratories

Landwirtschaftliche Produktivität muss gesteigert werden

Im Jahr 2022 leben etwa 7,9 Milliarden Menschen auf unserem Planeten und die Weltbevölkerung wächst stetig weiter. Statistischen Hochrechnungen der Vereinten Nationen zufolge werden im Jahr 2050 mehr als 9 Milliarden Menschen die Welt bevölkern^1,2. Aber warum genau könnte das zu einem Problem werden?

Nach aktuellem Stand können sich 3 Milliarden Menschen auf der Erde keine gesunde und ausgewogene Ernährung leisten, abgesehen von der Tatsache, dass 690 Millionen Menschen zu diesem Zeitpunkt hungern³. Das bedeutet, dass die landwirtschaftliche Produktivität um 30-40 % gesteigert werden muss, um alle Menschen auf dem Planeten mit Nahrung zu versorgen⁴. Dieser Ansatz ist höchstwahrscheinlich nicht realisierbar, da die Ressourcen begrenzt sind⁵. Eine andere Möglichkeit, die uns zur Verfügung stehenden Ressourcen optimal zu nutzen, ist die Entwicklung einer Methode zur genaueren Vorhersage der Haltbarkeit von Lebensmitteln.

Denn heutzutage wird die Haltbarkeitsdauer durch mikrobiologische und sensorische Anwendungen bestimmt, die nicht genau genug sind, um Lebensmittelverschwendung von vornherein zu vermeiden^6–8. Einige Verbraucher:innen vertrauen blind auf das Mindesthaltbarkeitsdatum und werfen Lebensmittel weg, sobald diese abgelaufen sind, selbst wenn diese noch genießbar sind und die erforderlichen Qualitätsstandards immer noch erfüllen⁹. Mit einer genaueren Vorhersagemethode kann die Lebensmittelverschwendung verringert werden, da die Verbraucher keine Lebensmittel wegwerfen, die noch einwandfrei sind.

Ziel dieses Forschungsprojekts ist es, eine Methode zu entwickeln, welche die Haltbarkeit von Lebensmitteln auf der Grundlage des Proteinprofils vorhersagt. Proteomics ist eine Disziplin der so genannten Omics-Kaskade¹⁰. Das Proteom umfasst alle Proteine in einem Organismus oder einem Lebensmittel¹¹. Es ist sehr variabel und passt sich leicht an externe Umstände an¹¹. Somit können Unterschiede in der Umwelt das Proteom beeinflussen¹¹. Lisa-Carina Class und ihr Kollege bei GALAB Laboratories arbeiten an der Entwicklung einer Anwendung zur Untersuchung des Proteom-Profils und zur Entdeckung von Marker-Peptiden, die zu einer genaueren Vorhersage der Haltbarkeit von Lebensmitteln führen. Um diese Art der Analyse durchzuführen, verwenden wir hochauflösende Massenspektrometrie-Technologien und verarbeiten die gewonnenen Daten mit Deep-Learning-Algorithmen. In unserem Review aus dem Jahr 2021 „Diving Deep into Data: A Review of Deep Learning Approaches and Potential Applications in Foodomics“ geben wir einen Überblick über den Stand der Forschung auf diesem Gebiet¹².

Quellen:

1. Scholik, N. Limit. Ein Essay zur Lage der Weltbevölkerung. Teil 1: Grenzen und Herausforderungen. Zeitschrift für Außen- und Sicherheitspolitik 14, 189–212 (2021).
2. Schug, W. Die Entwicklung der Weltbevölkerung und die Globale Nahrungsmittelversorgung. J. fur Verbraucherschutz und Leb. 4, 44–51 (2009).
3. FAO. Food Waste Index Report 2021. Unep (2021).
4. Augustin, M. A. et al. Role of food processing in food and nutrition security. Trends Food Sci. Technol. 56, 115–125 (2016).
5. Corradini, M. G. Shelf Life of Food Products: From Open Labeling to Real-Time Measurements. Annu. Rev. Food Sci. Technol. 9, 251–269 (2018).
6. Vallejo-Cordoba, B. & Nakai, S. Keeping-Quality Assessment of Pasteurized Milk by Multivariate Analysis of Dynamic Headspace Gas Chromatographic Data. 1. Shelf-Life Prediction by Principal Component Regression. J. Agric. Food Chem. 42, 989–993 (1994).
7. Condurso, C. et al. A new approach for the shelf-life definition of minimally processed carrots. Postharvest Biol. Technol. 163, 111138 (2020).
8. Bishop, J. R. & White, C. H. Assessment of Dairy Product Quality and Potential Shelf-Life – A Review. J. Food Prot. 49, 739–753 (1986).
9. Parfitt, J., Barthel, M. & MacNaughton, S. Food waste within food supply chains: Quantification and potential for change to 2050. Philos. Trans. R. Soc. B Biol. Sci. 365, 3065–3081 (2010).
10. Baumann, F. et al. Lebensmittelsicherheit & Verpackung Food Science Dialog der Hochschule für Angewandte Wissenschaft (HAW) Hamburg, 15.-19. September 2014. J. fur Verbraucherschutz und Leb. 9, 391–420 (2014).
11. Pischetsrieder, M. & Baeuerlein, R. Proteome research in food science. Chem. Soc. Rev. 38, 2600–2608 (2009).
12. Class, L., Kuhnen, G. & Rohn, S. Diving Deep into the Data : A Review of Deep Learning Approaches and Potential Applications in Foodomics. 1–18 (2021).