Industrial Food Informatics ICT voor R&D

1. Industrial Food InformaticsICT voor R&D Gridforum.nl Bedrijvendag, 25 Juni 2007 D.J.P. Out Unilever Research Vlaardingen

2. Industrial Food Informatics De primaire taak van onze R&D afdelingen is het leveren en toepassen van alle noodzakelijke wetenschappelijke en technologische kennis voor het ontwikkelen en produceren van voedingsmiddelen.

3. Industrial Food Informatics De primaire taak van onze R&D afdelingen is het leveren en toepassen van alle noodzakelijke wetenschappelijke en technologische kennis voor het ontwikkelen en produceren van voedingsmiddelen. Hiervoor is het noodzakelijk kennis te hebben van en toegang te hebben tot de talrijke informatiebronnen, binnen zowel als buiten de organisatie.

4. Industrial Food Informatics De primaire taak van onze R&D afdelingen is het leveren en toepassen van alle noodzakelijke wetenschappelijke en technologische kennis voor het ontwikkelen en produceren van voedingsmiddelen. Informatie is nooit gratis! Data opslag kost geld en het zoekproces kost tijd en de resultaten (kwaliteit) zijn onzeker. Het zelf uitvoeren van nieuw experimenteel werk kan een goed alternatief zijn.

5. Industrial Food Informatics Waarom Food Informatics?

6. Industrial Food Informatics Waarom Food Informatics? Belangen:

7. Industrial Food Informatics • Waarom Food Informatics? • Belangen: • Ondersteuning van de Nederlandse voedingsmiddelenindustrie met een export ter waarde van > 40.000 MEU • Ondersteuning van de wetenschappelijke infrastructuur met haar publieke en private onderzoeksinstellingen (werkgelegenheid en kennis export)

8. Industrial Food Informatics • Waarom Food Informatics? • Belangen: • Ondersteuning van de Nederlandse voedingsmiddelenindustrie met een export ter waarde van > 40.000 MEU • Ondersteuning van de wetenschappelijke infrastructuur met haar publieke en private onderzoeksinstellingen (werkgelegenheid en kennis export) • Problemen:

9. Industrial Food Informatics • Waarom Food Informatics? • Belangen: • Ondersteuning van de Nederlandse voedingsmiddelenindustrie met een export ter waarde van > 40.000 MEU • Ondersteuning van de wetenschappelijke infrastructuur met haar publieke en private onderzoeksinstellingen (werkgelegenheid en kennis export) • Problemen: • Domein complexiteit:

10. Industrial Food Informatics • Waarom Food Informatics? • Belangen: • Ondersteuning van de Nederlandse voedingsmiddelenindustrie met een export ter waarde van > 40.000 MEU • Ondersteuning van de wetenschappelijke infrastructuur met haar publieke en private onderzoeksinstellingen (werkgelegenheid en kennis export) • Problemen: • Domein complexiteit: • Een voorbeeld......

11. Industrial Food Informatics Een produktmanager leest ‘s avonds het NRC en ....

12. Industrial Food Informatics .... Marketing heeft de volgende dag een idee!

13. Industrial Food Informatics En verzoekt R&D om z.s.m. een assortiment “Packed Sandwiches” van superieure kwaliteit te ontwikkelen!

14. Industrial Food Informatics QA/QC Brood Supply chain Verpakking Margarine Proceshygiëne Vlees/vis “Packed Sandwiches” Microbiologie Kazen Marketing/PPPP Kruiden Consumentengedrag Sla/groente Ingredient fixatie Sauzen

15. Food Informatics - R&D Fit QA/QC Brood Supply chain Verpakking Margarine Proceshygiëne Vlees/vis Microbiologie Kazen Marketing/PPPP Kruiden Consumentengedrag Sla/groente Fixatie Sauzen

16. Industrial Food Informatics • Het vinden en gebruiken van de benodigde informatie is vaak moeilijk en tijdrovend door: • Grote verscheidenheid van de databestanden • Verschillende data formats • Verschillende locaties • “Onzichtbaarheid” buiten eigen PC/afdeling/site/productgroep • Toegangsrestricties • Gebrekkige zoekfaciliteiten

17. Industrial Food Informatics • Hoe lossen wij dit op: • Inventariseer bronnen • Maak bronnen toegankelijk • Selecteer zoek-software • Optimalisatie zoekresultaat t.a.v. “precision en recall”

18. Industrial Food Informatics • Inventariseer bronnen • Van individuele e-mail tot de rapporten databases en LIMS • Maar ook software, modellen, simulatieprogramma’s • Beslis welke data en informatie gedeeld moet worden • ... en met wie • > > Hier kan weerstand optreden bij data-eigenaars!

19. Industrial Food Informatics • Maak bronnen toegankelijk • Verbindt gebruiker en bronnen door een “Data Grid” • Annoteer data (automatisch EN handmatig) >> Ontologie • Gebruik SOA voor modellen, simulatie software ed. >> Workflow tools Data Grid meta data

20. Industrial Food Informatics Modelintegratie: Sterilisatieproces

21. Industrial Food Informatics • Modelintegratie: Sterilisatieproces • M1: > Lijnconfiguratie en operationele settings • < Temperatuur (T)/Verblijftijd (t) profiel

22. Industrial Food Informatics • Modelintegratie: Sterilisatieproces • M1: > Lijnconfiguratie en operationele settings • < Temperatuur (T)/Verblijftijd (t) profiel • M2: > Maillard-kinetiek (T, t, Aw, pH, composition) • < Productie M-reactieproducten (= kleur,smaak)

23. Industrial Food Informatics • Modelintegratie: Sterilisatieproces • M1: > Lijnconfiguratie en operationele settings • < Temperatuur (T)/Verblijftijd (t) profiel • M2: > Maillard-kinetiek (T, t, Aw, pH, composition) • < Productie M-reactieproducten (= kleur,smaak) • M3: > Microflora-inactiverinskinitiek (T, t, Aw, pH) • < MB-flora reductiefactor, houdbaarheid/risico

24. Industrial Food Informatics • Modelintegratie: Sterilisatieproces • M1: > Lijnconfiguratie en operationele settings • < Temperatuur (T)/Verblijftijd (t) profiel • M2: > Maillard-kinetiek (T, t, Aw, pH, composition) • < Productie M-reactieproducten (= kleur,smaak) • M3: > Microflora-inactiverinskinitiek (T, t, Aw, pH) • < MB-flora reductiefactor, houdbaarheid/risico • In-Silico Product/Proces Design

25. Industrial Food Informatics Taste Prediction Tool: .... .... ... sour salt sweet bitter umami Voor de 5 verschillende smaakrichtingen is het menselijke receptorsysteem dat “bitter” detecteert het meest complex en slecht begrepen. Het beheersen van deze smaakrichting in produkten geeft vaak problemen.

26. Industrial Food Informatics De oplossing: • Verzamel gegevens van verbindingen waarvan zowel de structuur als de impact op de bittere smaaksensatie bekend is. • Maak gebruik van een statistische techniek (“Naïve Bayesian Classifier”) om voor nieuwe verbindingen op grond van hun structuur een inschatting te maken van hun invloed op de bittere smaak van een produkt. • Maak deze techniek beschikbaar en eenvoudig toepasbaar in de organisatie voor R&D personeel. • Door het beschikbaar stellen als webservice kan onderhoud van de componenten blijven plaatsvinden op de plek waar de expertiese voorhanden is.

27. Program flow File Action Webservice Molecule file Unilever Centre for Molecular Science Informatics, Cambridge Convert molecule to mol2 file (Babel) Mol2 file Create fingerprint (molprint.pl) National Institute for Nuclear Physics and High Energy Physics, Amsterdam Fingerprint file Compare molecule with model (compare.pl) Modeldata files Output file

28. Industrial Food Informatics • Selecteer zoek-software • Geintegreerde GUI met corporate “look & feel” • Parallel zoeken (individueel te selecteren domeinen)

29. Industrial Food Informatics • Optimalisatie zoekresultaat t.a.v. “precision en recall” • Ontwikkelen en toepassen van ontologieën/taxonomieën/thesauri • voor content annotatie en vraagverrijking

30. Resultaat optimalisatie zoekresultaat (BitterBase-Query) 100 total: 109 90 80 70 60 Relevant documents total: 66 50 40 30 20 10 0 WebSpirs (FSTA Search interface) Ontology

31. Industrial Food Informatics De AIDA Toolbox: Ontology Supported Searching This work was carried out in the context of the Virtual Laboratory for e-Science program (VL-e) and the BioRange program. These programs are supported by BSIK grants from the Dutch Ministry of Education, Culture and Science (OC&W).

32. Industrial Food Informatics • Conclusies: • Groot potentieel voor beter hergebruik van data en informatie • Kosten voor dataopslag dalen • Zoekmachines worden steeds beter • SOA en Workflow tools voor “Virtueel Experimenteren” • Gebruikers raken vertrouwd met processen • Vereiste gebruikers mindset en input • Selecteren, annoteren en uploaden van informatie • Opzet en onderhoud van annotatie tools (domein-specifiek)

33. Industrial Food Informatics • Conclusies: • Groot potentieel voor beter hergebruik van data en informatie • Kosten voor dataopslag dalen • Zoekmachines worden steeds beter • SOA en Workflow tools voor “Virtueel Experimenteren” • Gebruikers raken vertrouwd met processen • Vereiste gebruikers mindset en input • Selecteren, annoteren en uploaden van informatie • Opzet en onderhoud van annotatie tools (domein-specifiek) • Stimuleer bereidheid tot delen van kennis! • Besteed veel aandacht aan de user interface • Realiseer dat de meeste food scientists geen ICTers zijn!

34. Industrial Food InformaticsICT voor R&D ICT DELTA Congres Utrecht, 23 mei 2007 D.J.P. Out Unilever Research Vlaardingen

35. Bitterness Prediction Tool Problemen: Bij productie/opslag • Ongewenste bittere smaak in grondstoffen • Ontwikkeling van een bittere smaak gedurende productie en opslag • Veel “gezonde” voedingsbestanddelen zijn bitter Bij de voorspelling • Zeer complex detectiesysteem met 26+ verschillende receptoren bepalen de bittere smaaksensatie of juist de maskering daarvan. • Een gedetailleerde opbouw van de betrokken receptoren is niet bekend.