Bedre fødevaresikkerhed med helgenomsekventering og maskinlæring

De identifikationsteknikker (fx konventionel typning), der anvendes i dag, er tidskrævende, og mangler evnen til at skelne mellem de forskellige stammer inden for samme art. Dermed kan man ultimativt komme til at fejlvurdere risikoen for vækst af patogene bakterier. Såkaldt WGS-teknologi (helgenomsekventering) kan afhjælpe disse problemer, men mangel på genetisk indsigt og adgang til avancerede computerfaciliteter hindrer i dag mejeriselskaber i at bruge værktøjerne.

Af: Grith Mortensen 

Dette projekt har derfor som mål at indarbejde WGS-data fra 800 kliniske isolationer og mejeriprodukter i et machine learning-værktøj for at identificere virulensniveauet og desinfektionsresistensen af L. monocytogenes stammer i realtid. De genetik-baserede resultater valideres eksperimentelt. Med det udviklede machine learning-værktøj kan brugerne på sigt uploade rå datasekvenser til serveren, som er hostet på DTU via et frit tilgængeligt webbaseret interface, hvorefter de modtager et letforståeligt resultat i løbet af 15 minutter pr. isolat. Projektet forbedrer og fremskynder dermed beslutningsprocessen og fødevaresikkerhedshåndteringen af mejeriprodukter.

Projekt: Januar 2021 - December 2023

Budget: 4.798.000 DKK

Finansiering: Mælkeafgiftsfonden, Arla Foods, Karl Pedersen og Hustrus Industrifond

Projektleder: Pimlapas Leekitcharoenphon

Institution: Fødevareinstituttet, Danmarks Tekniske Universitet 

Deltagere: Arla Foods

Grith Mælk 1

Grith Mortensen

Chefkonsulent, Forskning & Fødevarer, Landbrug & Fødevarer/Skejby

Mobil: 40964114

E-mail: gmo@lf.dk