Priit Eek

Suhkru liigtarbimine on üks peamisi põhjuseid, miks südame-veresoonkonna haigused ja 2. tüüpi diabeet on jõudnud pandeemiliste mõõtmeteni. Kuigi ilmne lahendus oleks süüa vähem ja teha tervislikumaid elustiili valikuid, jääb magus maitse ikkagi ihaldusväärseks. Tarbitavate kalorite hulga vähendamiseks kasutatakse laialdaselt kunstlikke magusaineid. Samas kahtlustatakse neist mitmeid terviseriskides ning paljud ei maitse sama hästi kui sahharoos, jättes sageli suhu pika kõrvalmaitse. Uute magusainete arendust takistab mõõdetavate andmete nappus, mis iseloomustaks ideaalset kalorivaba magusainet. Antud projekti eesmärgiks on välja töötada biokeemilised analüüsid nende mõõdikute määramiseks, et aidata luua uusi, tervislikke, jätkusuutlikke ja hea maitsega magusaineid.

Traditsioonilistes toidusüsteemides kasutatakse laialdaselt naftakeemial ja loomsetel produktidel põhinevaid lisandeid, mis on küll heade tehno-funktsionaalsete omadustega, kuid millega kaasnevad keskkonnaalased, eetilised, tervislikud ja jätkusuutlikkuse probleemid. Projekti raames arendatakse alternatiivseid valgulisi toidulisandeid, näiteks värv- ja magusaineid, mille omadused vastaksid toidutööstuse vajadustele ja samas kõrvaldaks eelmainitud murekohad. Valkude arendamiseks kasutatakse ratsionaalse disaini, struktuuribioloogia ja tehisintellekti meetodeid. Koos TFTAKiga arendatakse välja täppisfermentatsiooni protsess, et toota valke mikroorganismides, valgupreparaate testitakse mudeltoitudes ning edukate preparaatide kommertsialiseerimiseks tehakse koostööd kohaliku toidutööstuse ja ettevõtluskiirenditega. Arendustöö tulemina modelleeritakse seosed valkude struktuuri ja tehno-funktsionaalsete omaduste vahel, mis võimaldab tulevikus uudsete omadustega valke hõlpsamini disainida.

Projekti eesmärk on arendada AI/DFT/ML (tehisintellekti, tihedusfunktsionaalide teooria ja masinõppe)-põhist töövoogu lühikeste peptiid-metallkomplekside disainimiseks kestlike biokatalüsaatoritena. Töö ühendab tehisintellektil põhineva peptiidide genereerimise, molekulaarmodelleerimise, kvantkeemilise ja masinõppepõhise katalüütilise sõelumise ning valitud kandidaatide eksperimentaalse valideerimise. Arvutuslik eelselektsioon aitab vähendada katse-eksituse põhist laboritööd, reagentide kasutust, jäätmeteket, energiakulu ja arendusaega rohelisemate katalüütiliste protsesside väljatöötamisel.