Skalering af produktion af dyrket kød er dyrt og tidskrævende. Overgangen fra små laboratorieopsætninger til kommercielle bioreaktorer mislykkes ofte på grund af uforudsigelige biologiske resultater. Men AI og digitale tvillinger ændrer dette. Disse værktøjer simulerer og optimerer processer virtuelt, hvilket reducerer omkostninger og udviklingstid med op til 50%. Her er hvordan:
- Digitale tvillinger skaber virtuelle kopier af bioreaktorer, der simulerer forhold som væskedynamik og næringsfordeling. De forudsiger resultater uden at risikere fysisk udstyr.
- AI-drevne sensorer muliggør realtidsmonitorering og justeringer, hvilket forbedrer effektiviteten og reducerer spild.
- Virksomheder som Gourmey har brugt disse teknologier til at sænke produktionsomkostningerne og reducere foderudgifterne betydeligt.
Fra optimering af cellevækst til forebyggelse af udstyrsfejl, AI og digitale tvillinger omformer vejen til skalerbar, omkostningseffektiv produktion af dyrket kød. Læs videre for at lære, hvordan disse værktøjer implementeres og deres indvirkning på industrien.
AI og digitale tvillingers indvirkning på produktionsomkostninger og effektivitet af dyrket kød
Anvendelse af AI og digitale tvillinger til bioprocessering: faldgruber og løsningsveje for...
sbb-itb-ffee270
Fordele ved AI og digitale tvillinger for produktion af dyrket kød
AI og digitale tvillinger har en stor indvirkning på produktionen af dyrket kød ved at forbedre proceskontrol, reducere omkostninger og bane vejen for storskala kommercielle operationer.
Forbedret Bioreaktor Kontrol og Overvågning
Digitale tvillinger giver producenter mulighed for at simulere bioreaktorbetingelser - såsom geometri, fluiddynamik og fysiske indstillinger - hvilket gør det muligt at køre "hvad-nu-hvis" scenarier. Disse simulationer hjælper med at finjustere kritiske parametre som temperatur, pH-niveauer og næringsstofforsyning uden behov for dyre fysiske justeringer [1] [6] [4].
AI spiller en nøglerolle gennem "soft sensing", som muliggør realtids overvågning af variabler, der er svære at måle direkte. Virtuelle sensorer estimerer detaljer som opløst iltniveau og glukosekoncentration i områder, hvor fysiske sensorer ikke rækker. Data fra bioreaktorer sammenlignes konstant med virtuelle modeller, hvilket hjælper med at opdage uoverensstemmelser eller tidlige tegn på udstyrsproblemer.Dette muliggør forudsigende vedligeholdelse, som fremhævet af Octocells:
"Ved at forudsige, hvornår en maskine sandsynligvis vil fejle eller kræve service, vil vedligeholdelse blive planlagt proaktivt, hvilket reducerer nedetid og forlænger udstyrets levetid." [1]
Derudover hjælper kausal AI producenter med at forstå molekylære interaktioner, forudsige hvordan specifikke molekyler vil påvirke celleadfærd [4]. Disse kapaciteter forbedrer pålideligheden, samtidig med at omkostningerne reduceres, hvilket skaber et solidt fundament for opskalering af produktionen.
Reducering af omkostninger gennem procesoptimering
Bedre kontrol over bioreaktorer reducerer direkte driftsomkostningerne ved at minimere spild og optimere brugen af cellekulturmedier - den største udgift i produktionen af dyrket kød.Digitale tvillinger muliggør virtuel testning af celleadfærd og medieændringer, hvilket reducerer behovet for dyre vådlaboratorieforsøg betydeligt.
Et godt eksempel kommer fra Gourmey, en fransk start-up, der i juni 2025 indgik samarbejde med biotekfirmaet DeepLife. Sammen udviklede de en digital tvilling af fjerkræceller ved at analysere sekventeringsdata fra millioner af fugleceller og integrere det med data om medieforstyrrelser. Nicolas Morin-Forest, CEO for Gourmey, forklarede:
"Optimering af disse parametre øger udbyttet, reducerer foderaffald, som er en primær omkostningsdriver i dyrket kød, og sænker direkte produktionsomkostningerne." [4]
Jonathan Baptista, CEO for DeepLife, bemærkede yderligere:
"Modellen finjusteres ved hjælp af Gourmey-data om medieforstyrrelser, hvilket gør det muligt at forudsige, hvordan forskellige molekyler vil påvirke adfærden af hver cellepopulation." [4]
Udover medieoptimering hjælper digitale tvillinger også med at reducere kapitaludgifter. Virksomheder kan skabe virtuelle fabrikreplikater for at teste layout, udstyrsplaceringer og arbejdsgange, før konstruktionen begynder, hvilket sikrer maksimal effektivitet [1]. Disse simuleringer giver også en sikker, omkostningseffektiv måde at træne operatører på, hvilket fremskynder parathed og reducerer træningsudgifter.
Opskalering til kommerciel produktion
Digitale tvillinger spiller en afgørende rolle i opskalering af operationer fra laboratoriet til fuldskala produktion. Denne overgang kommer ofte med ingeniørmæssige udfordringer, især i at sikre væskestrøm og næringsfordeling i store bioreaktorer. Digitale tvillinger, kombineret med computational fluid dynamics (CFD), hjælper med at optimere disse faktorer [7].
htmlVed at simulere design og processer kan producenter bygge bro mellem eksperimentelle opsætninger og storskalaproduktion. Som FUDZS påpeger:
"Ved at identificere det mest effektive design gennem simulering vil investorer sikre, at hver dollar eller euro brugt på konstruktion giver det højest mulige afkast på investeringen!" [1]
På et kommercielt niveau fortsætter digitale tvillinger med at overvåge udstyrs ydeevne i realtid, sammenlignet med virtuelle benchmarks for at opdage tidlige tegn på slid. Denne proaktive tilgang minimerer nedetid og sikrer kontinuerlig produktion for at imødekomme markedets efterspørgsel [1].
AI-drevne simuleringer fremskynder også forskning og udvikling ved at reducere afhængigheden af traditionelle vådlaboratorieforsøg. Dette giver producenter mulighed for hurtigt at forfine cellelinjer, medieformler og produktionsprocesser, mens de holder sig inden for budgettet og tidsplanen.
Sådan implementeres AI og digitale tvillinger i bioprocesautomatisering
At bringe AI og digitale tvillinger ind i produktionen af dyrket kød kræver et stærkt fundament i datastyring, hybridmodelleringsmetoder og passende hardware. Udgangspunktet er at bygge et datalag, der streamer kritiske bioreaktordata - såsom pH, opløst ilt, drejningsmoment, omrøringshastighed og fodermasse - ind i en plant historian. Dette trin lægger grundlaget for effektiv implementering [5] .
Næste fase involverer oprettelse af en hybridmodel. Denne tilgang blander mekanistiske principper, som massebalancer og iltoverførselshastigheder, med maskinlæringsalgoritmer. Kendt som en "grå boks" model, går den ud over traditionelle fysikbaserede metoder for bedre at forudsige komplekse biologiske adfærd.Som James Westley, Associate Director hos Cambridge Consultants, udtrykker det:
"Tilgangen begynder med at supplere AI med 'ægte intelligens'... kombinere AI med domæneekspertise for at reducere antallet af eksperimenter – fra de lave tusinder til de høje tiere" [2].
Ved at reducere antallet af nødvendige eksperimenter kan denne metode betydeligt sænke omkostningerne, samtidig med at nøjagtigheden opretholdes. Når fundamentet er på plads, skifter fokus til at træne den digitale tvilling og integrere den i realtidsproceskontrol.
Træning af Digitale Tvillinger med Eksperimentelle Data
For at en digital tvilling kan fungere effektivt, har den brug for kvalitetsdata fra fysiske eksperimenter. Traditionelle modeller kræver ofte hundreder eller endda tusinder af datapunkter.Men hybridmodellering forenkler dette ved at inkorporere kendte fysiske og kemiske relationer, som hvordan øget CO₂ påvirker pH, hvilket reducerer databelastningen [2] .
Brug af AI-guidet Design af Eksperimenter (DoE) med Bayesiansk optimering strømliner yderligere processen. Denne metode prioriterer de mest informative eksperimenter og undgår ineffektiviteten ved forsøg og fejl. For eksempel, i en undersøgelse, trænede forskere en hybridmodel ved hjælp af kun 21 eksperimenter og validerede den med 6 yderligere tests. Modellen forudsagde nøjagtigt biomassevækst og glukoseforbrug [8] .
Disse fordele er ikke kun teoretiske. I juni 2025 indgik den franske start-up Gourmey et samarbejde med biotekfirmaet DeepLife for at udvikle en digital tvilling til dyrkning af fjerkræproduktion.Ved at analysere sekventeringsdata fra millioner af fugleceller og integrere det i Store Sprogmodeller (LLMs), simulerede de intracellulære mekanismer. Dette gjorde det muligt for dem at optimere foderformuleringer virtuelt, før de gennemførte fysiske eksperimenter. Som Nicolas Morin-Forest, CEO for Gourmey, forklarede:
"Ved at kombinere Gourmeys proprietære cellekultiveringsplatform og avancerede analytiske værktøjer med DeepLifes førende digital tvilling-teknologi, kan vi nu simulere og optimere hver fase af produktionen" [4].
Sådanne metoder reducerer ikke kun omkostningerne, men forbedrer også kontrollen over produktionsprocessen.
Integration af AI til justeringer i realtid
Når en digital tvilling er trænet, kan den bruges til proceskontrol i realtid gennem Model Predictive Control (MPC) eller Reinforcement Control (RC).Disse systemer justerer parametre som pH, opløst ilt og fodringshastigheder baseret på tvillingens forudsigelser [5] . Denne type af lukket kredsløbskontrol er afhængig af Process Analytical Technology (PAT), med avancerede sensorer som Raman eller FTIR spektroskopi, der måler nøglemetabolitter cirka hvert 60. sekund [5].
Før man fuldt ud automatiserer processer, er det klogt at teste systemet i "skyggetilstand". Dette tillader, at AI-anbefalinger kan sammenlignes med operatørbeslutninger uden risiko, hvilket opbygger tillid til systemets kapaciteter [5]. For eksempel brugte Elise Biopharma en digital tvilling med MPC i en 1.000-liters fed-batch proces. Dette afslørede iltoverførselsproblemer forårsaget af bouillonens viskositet. Ved at genbalancere omrøring og modtryk løste systemet problemet og forbedrede udbyttet [5].
For at sikre succes skal udstyret understøtte kontinuerlig datastreaming og tovejs informationsflow. AI-drevne "bløde sensorer" er særligt værdifulde her, da de udleder variabler, der er svære at måle direkte, og tilbyder indsigt ud over rækkevidden af fysiske sensorer [5].
Brug af Cellbase til udstyrsindkøb
Opskalering af AI og digitale tvillinger fra laboratorium til kommerciel produktion kræver specialiseret hardware, som generelle laboratorieleverandører måske ikke kan levere. Væsentligt udstyr inkluderer bioreaktorer med integreret datatilslutning, avancerede inline-sensorer som Raman- og FTIR-prober, off-gas massespektrometre og multi-brønd parallelle bioreaktorer med mikrofluidik. Derudover skal vækstmedier spores nøje, da variationer i sammensætning kan have betydelig indflydelse på biologiske reaktioner [2][5].
For virksomheder der skalerer dyrkede kødprocesser fra forskning til kommerciel produktion,
Case Study: Digitale Tvillinger og AI i Produktion af Dyrket Kød
DeepLife-Gourmey Avian Digital Twin
Denne case study dykker ned i, hvordan AI og digital twin-teknologi transformerer industrien for dyrket kød, med fokus på et samarbejde mellem det franske firma for dyrket kød Gourmey og biotekfirmaet DeepLife.
I juni 2025 afslørede Gourmey og DeepLife den første avian digital twin - en virtuel model af fjerkræceller med det formål at optimere vækstbetingelser. Projektet koncentrerede sig om embryonale stamceller fra and, hvor der blev indsamlet multi-omics data over syv dage. Disse data blev analyseret ved hjælp af store sprogmodeller, som identificerede intracellulære mekanismer og forudsagde, hvordan forskellige molekyler påvirker celleadfærd [4] [9].
Den digitale tvilling bruger kausal AI til at kortlægge årsag-og-virkning-forhold inden i celler. En Target-Action-Metabolite (TAM) ramme forbinder cellulære resultater, som forbedret cellelevedygtighed eller øget fedtsyntese, til specifikke metabolitter og procesparametre [9]. Dette muliggør tusindvis af virtuelle eksperimenter, hvilket reducerer dyre og tidskrævende våde laboratorieforsøg. De opnåede indsigter har ført til målbare produktionsfremskridt.
En bemærkelsesværdig opdagelse var rollen af oleoyl-lysophosphatidic acid (LPA). AI'en foreslog, at LPA kunne aktivere det energiregulerende gen SIRT6, forbedre cellelevedygtighed og balancere lipidniveauer. Dette muliggjorde medieoptimering uden behov for genetiske modifikationer [9]. Nicolas Morin-Forest, CEO for Gourmey, fremhævede virkningen af denne teknologi:
"Integrering af DeepLife's digital twin-teknologi i vores platform gør det muligt for os at modellere, hvordan fugleceller reagerer på forskellige kulturforhold, før vi går ind i laboratoriet. Dette fremskynder vores R&D-cyklusser, reducerer afhængigheden af kostbar trial-and-error, og skærper i sidste ende vores evne til at optimere produktionsøkonomien i stor skala" [10].
Resultaterne er imponerende. Gourmey rapporterer at have opnået en bemærkelsesværdigt lav produktionsomkostning på et kommercielt niveau på 5.000 liter, ifølge en uafhængig teknisk-økonomisk vurdering [10]. Derudover siger virksomheden, at den har reduceret omkostningerne ved sit fødevaresikre foder betydeligt [10]. Med over €65 millioner i finansiering fortsætter Gourmeys 60-personers team i Paris med at forfine den digitale tvilling, ved at bruge den til at forbedre sensoriske aspekter som umami-intensitet og fedtstruktur. Dette samarbejde demonstrerer, hvordan AI og digitale tvillinger kan levere skalerbare og betydningsfulde fremskridt i produktionen af dyrket kød [10].
Udfordringer og Fremtidige Tendenser i AI og Digitale Tvillinger til Bioprocessering
Adoptionsudfordringer og Data Krav
At skabe en digital tvilling til produktion af dyrket kød er ingen lille bedrift. Udviklingen af en generel AI-model til bioprocessering kræver omfattende datasæt - hundreder til tusinder af datapunkter. Denne proces er ikke kun tidskrævende; den kan også koste millioner og tage år at fuldføre [2]. Udfordringen ligger i selve biologien, hvor mindst ti procesvariabler interagerer på meget komplekse, ikke-lineære måder [2].
Den infrastruktur, der er nødvendig for at understøtte denne bestræbelse, er lige så krævende. Virksomheder kræver høj-gennemløbs laboratorieautomation til medieforberedelse, bioreaktorer udstyret med real-time overvågningssensorer (sporing af pH, temperatur, opløst ilt og næringsstoffer), og højtydende computersystemer til at håndtere AI-simuleringer [11] . Derudover forbliver omkostningerne til materialer en hindring - føtalt kalveserum og mikrobærere til store bioreaktortanke kan være særligt dyre [11]. En anden betydelig barriere er manglen på fuglespecifikke datasæt, hvilket begrænser AI-modellernes evne til at generalisere på tværs af forskellige fjerkræarter [12].
For at overvinde disse forhindringer, adopterer virksomheder hybridmodellering - en metode, der blander AI med domæneekspertise og først-princip fysik. Ved at integrere kendte relationer, såsom den inverse korrelation mellem CO₂-niveauer og pH, kan disse modeller betydeligt reducere antallet af nødvendige fysiske eksperimenter [2][13] . At tackle disse udfordringer er afgørende for fuldt ud at udnytte AI-drevet automatisering i sektoren for dyrket kød. På trods af vanskelighederne baner nye tendenser vejen for transformative ændringer i bioprocesautomatisering.
Fremtidige tendenser inden for AI-drevet bioprocesautomatisering
Branchen reagerer på disse udfordringer med banebrydende innovationer.Det globale AI-marked for dyrket kød forventes at vokse fra £70 millioner i 2025 til imponerende £2.500 millioner i 2035, med en årlig vækstrate på 42,7% [11]. Flere vigtige tendenser driver denne ekspansion. For eksempel AI-integreret 3D-bioprinting optimerer materialeformler og printparametre for at skabe stilladskonstruktioner, der efterligner teksturen af naturligt kød [11]. Ligeledes bliver prædiktiv vedligeholdelse systemer implementeret til at overvåge bioreaktorforhold, hvilket hjælper med at forudse og forhindre problemer som batchfejl eller kontaminering [11][12] .
I januar 2025 tog Kina et dristigt skridt ved at lancere 'New Protein Food Science and Technology Innovation Base' i Beijing, støttet af store investeringer.Denne facilitet integrerer AI- og blockchain-teknologier for at muliggøre realtidsmonitorering og sporbarhed gennem hele produktionsprocessen af dyrket kød, fra forskning til detailhandel [11]. Omtrent samtidig sikrede den israelske start-up Aleph Farms yderligere finansiering for at forbedre sin AI-drevne pilotfacilitet og arbejde hen imod kommercialisering af omkostningseffektive hele stykker dyrkede bøffer [11].
Fremadrettet forventes digitale tvillinger at udvikle sig ud over blot at forbedre udbyttet. De sigter mod at forbedre sensoriske egenskaber - modellering af flygtige forbindelser, proteiner og lipider for at forfine smagen og teksturen af dyrket kød [3]. Fremkomsten af open-source AI-hubs , som AI4CM Hub, fremmer også samarbejde og innovation inden for dette felt [11]. Efterhånden som disse teknologier udvikler sig, vil virksomheder, der investerer i automatiserede inline-sensorer, miniaturiserede parallelle bioreaktorer og hybride AI-modeller, være bedre rustet til at skalere produktionen effektivt, mens de navigerer i regulatoriske landskaber. At opnå skalerbar og omkostningseffektiv dyrkning vil være nøglen til kommerciel succes i denne hurtigt fremadskridende industri.
Konklusion
AI og digitale tvillinger omformer bioprocesautomatisering i produktionen af dyrket kød. Ved at forfine foderformuleringer, fremskynde forskning med virtuelle simuleringer og forbedre forudsigeligheden under opskalering reducerer disse teknologier betydeligt omkostningerne og gør industrien mere attraktiv for investorer [2][4]. Som James Westley, Associate Director hos Cambridge Consultants, påpeger, forbedrer disse værktøjer skalerbarheden, hvilket er afgørende for at tiltrække investeringer. Denne digitale omstilling driver en mere datadrevet og effektiv produktionsproces.
Overgangen til Industri 4.0, kendetegnet ved autonome systemer, bliver en nødvendighed for virksomheder, der ønsker at trives i dette område [13]. Hybrid modellering, som blander mekanistisk fysik med maskinlæring, gør forudsigelige digitale tvillinger mere tilgængelige - selv for mindre virksomheder [2]. Realtidsovervågning øger yderligere effektiviteten ved at muliggøre hurtige justeringer og reducere sandsynligheden for batchfejl [2].
Nøglen til denne transformation er vedtagelsen af avancerede værktøjer som automatiserede inline-sensorer, miniaturiserede parallelle bioreaktorer, højtydende computing og PAT-værktøjer. Platforme som
Fremtiden for produktion af dyrket kød er uden tvivl digital. Virksomheder, der omfavner AI og udnytter platforme som
Ofte stillede spørgsmål
Hvilke data har jeg brug for til at bygge en nyttig digital tvilling for dyrket kød?
For at bygge en pålidelig digital tvilling til produktion af dyrket kød er det afgørende at indsamle præcise data om både biologiske og procesparametre. Vigtige faktorer at overvåge inkluderer realtidsmålinger af pH, temperatur, opløst ilt, glukoseniveauer og cellevækst. Sammen med dette spiller information om bioreaktorforhold, væskedynamik og massetransport en vital rolle. Højfrekvent, præcis dataindsamling sikrer, at den digitale tvilling nøje afspejler bioreaktormiljøet, hvilket gør det muligt for AI at optimere processer effektivt.
Hvordan reducerer hybride (grå-boks) modeller antallet af våde-laboratorieeksperimenter?
Hybride, eller grå-boks, modeller blander mekanistiske modeller med maskinlæring for at skabe nøjagtige virtuelle simuleringer af processer. Disse modeller muliggør effektiv scenarietestning og reducerer behovet for omfattende fysiske eksperimenter. Ved at stole på beregningsmæssige forudsigelser hjælper de med at spare både tid og ressourcer, samtidig med at de tilbyder værdifulde indsigter.
Hvilke sensorer og udstyr er essentielle for realtids AI-kontrol i bioreaktorer?
For at opretholde optimale forhold i bioreaktorer spiller flere sensorer en kritisk rolle i realtids overvågning og kontrol.Disse inkluderer:
- Temperatursensorer (RTD'er): Væsentlige for at holde bioreaktoren på den præcise temperatur, der kræves for cellevækst.
- pH-sensorer: Fås som glas- eller ISFET-typer, disse sikrer, at surheds- eller alkalinitetsniveauerne er helt rigtige for processen.
- Opløste iltsensorer (optiske): Vigtige for at spore iltniveauer, som direkte påvirker cellens stofskifte.
- Metabolitsensorer: Anvendes til at overvåge nøgleforbindelser som glukose og mælkesyre, hvilket hjælper med at opretholde den balance, der er nødvendig for effektiv produktion.
Disse sensorer arbejder sammen for at levere de detaljerede data, der er nødvendige for AI-systemer til at finjustere bioprocesbetingelserne, hvilket sikrer succes med produktion af dyrket kød.
