Paredzams, ka projekta rezultāti sniegs ieguldījumu visos turpmāk minētajos sagaidāmajos rezultātos:

• mākslīgā intelekta (AI) rīks, kas spēj paātrināt sarežģītu pārtikas omikas datu analīzi, lai paātrinātu pārtikā esošo ķīmisko vielu identificēšanu, strukturālo raksturošanu un kvantitatīvo noteikšanu;
• pārtikas omikas pētniecības kapacitātes un sinerģijas uzlabošana starp akadēmisko vidi, pētniecības infrastruktūrām un rūpniecību.

Caur pārtiku un dzērieniem iedzīvotāji tiek pakļauti milzīgam ķīmisko vielu daudzumam (kā piesārņotājiem un kā sastāvdaļām). „Foodome” ir pilns savienojumu kopums, kas atrodas pārtikas paraugā noteiktā laikā; tas ietver gan endogēnās biomolekulas (ko rada sugas vielmaiņas procesi), gan eksogēnos savienojumus (dabiskas un sintētiskas vielas no ražošanas, pārstrādes, apstrādes un iepakošanas). Pašreizējās zināšanas lielākoties aprobežojas ar šauru, aptuveni 150 pārtikas komponentu kopumu, kas katalogizēti tradicionālajās datubāzēs. Šie komponenti veido tikai ļoti nelielu daļu no kopējās ķīmiskās sarežģītības, kas sastopama pārtikā, savukārt tūkstošiem (>100 000) savienojumu un piesārņotāju joprojām ir lielākoties nekvantificēti un neizpētīti. Lai izprastu šo „uzturvielu tumšo matēriju”, būtu nepieciešams identificēt, katalogizēt un kvantificēt pilnu vielu spektru, kas atrodas mūsu pārtikā, un iekļaut to pieejamās, AI-ready datubāzēs. Šādas informācijas nepieciešamība mūsdienās ir šaurā vieta, lai padarītu uztura jomu paredzamu un balstītu uz datiem, un tai ir potenciāls padarīt pārtikas pārstrādi efektīvāku jaunu pārtikas produktu laišanā tirgū. Notiek centieni izveidot šādas datu kopas, taču paraugu daudzuma dēļ (simtiem tūkstošu savienojumu tūkstošos pārtikas produktu) šādas datubāzes bieži paļaujas uz augstas caurlaidības eksperimentālām metodēm, kas neļauj precīzi raksturot identificētās molekulas.

Priekšlikumiem būtu jāpievēršas šādām darbībām:

• izstrādāt un testēt validētus AI algoritmus, kas spēj interpretēt un anotēt augstas caurlaidības foodomics datus, piemēram, no netīrītas masas spektrometrijas vai kodolmagnētiskās rezonanses;
• AI algoritmiem jāspēj prognozēt vai secināt savienojumu klātbūtni un koncentrāciju, pamatojoties uz (nepilnīgiem) foodomics datiem, izmantojot inovatīvas pieejas, piemēram, ņemot vērā sugu filoģenētiskās attiecības. Turklāt tam būtu jāpalīdz identificēt analītiskās metodes un iespējamos pārtikas nekaitīguma apdraudējumus, pamatojoties uz to līdzību ar zināmiem savienojumiem;
• izstrādāt Eiropas pētniecības un inovāciju tīklu starp dalībvalstīm un asociētajām valstīm pārtikas exposome pētniecībā, lai atbalstītu AI rezultātu izstrādi, standartizāciju, valorizāciju un izplatīšanu, ņemot vērā esošās iniciatīvas, piemēram, Vāgeningenas Universitātes (Wageningen University) Pārtikas periodiskās tabulas izcilības centru (Centre for Excellence in the Periodic Table of Food Initiative).

Tiek veicināta daudzpusēja pieeja. Priekšlikumos konsorcijos jāiekļauj nozare, kā arī akadēmiskās aprindas, jaunuzņēmumi, SME un starptautiskas iniciatīvas. Tiek veicināta sadarbība ar starptautiskiem partneriem, kā arī ar esošajiem privātajiem uzņēmumiem ES/asociētajās valstīs.