Computational Mass Spectrometry and Data Science

Met de nieuwste analysetechnieken op basis van hoge resolutie massaspectrometrie (HRMS) kan een volledig profiel van voedingsmiddelen worden verkregen. De ruwe data bevat signalen van alle stoffen, zowel de producteigen stoffen als eventueel aanwezig contaminanten. Deze laatste zijn relevant in het kader van voedselveiligheid. Door het enorme aantal mogelijke contaminanten waarvan de aanwezigheid vaak niet voorspelbaar is, de lage niveaus, en de complexiteit van de ruwe data verkregen met full scan massaspectrometrie, is eenduidige annotatie en identificatie niet goed mogelijk. Dit beperkt op dit moment de toepassing van de techniek in de monitoringsprogramma’s voor voedselveiligheidscontrole. Dit PhD project heeft als doelstelling om stoffen die relevant zijn in het kader van voedselveiligheid uit de meetdata te filteren, zodanig dat het aantal niet-relevante stoffen zo klein mogelijk is, zonder dat de stoffen die mogelijk een risico vormen gemist worden. Om dit te bereiken wordt eerst de initiële dataprocessing verbeterd. Vervolgens worden software algoritmen ontwikkeld voor een risico-gebaseerde filtering van de 1000den geannoteerde stoffen. Daarbij wordt informatie over (voorspelde) toxiciteit, metadata van het voedselproduct, en allerhande informatie van de gevonden stoffen geïntegreerd in de algoritmen om zo tot een ranking/filtering te komen. De ontwikkelde tools zullen worden getoetst aan de hand van diverse typen monsters uit de praktijk van voedselveiligheidscontroles. Het beoogde einddoel is een veel meer omvattende opsporing van (onverwachte) bekende en nog onbekende stoffen die een risico kunnen vormen voor de voedselveiligheid.