배양육 생산을 확장하는 것은 비용이 많이 들고 시간이 많이 소요됩니다. 작은 실험실 설정에서 상업용 바이오리액터로 이동하는 것은 예측할 수 없는 생물학적 결과로 인해 종종 실패합니다. 그러나 AI와 디지털 트윈이 이를 변화시키고 있습니다. 이러한 도구는 가상으로 프로세스를 시뮬레이션하고 최적화하여 비용과 개발 시간을 최대 50%까지 절감합니다. 방법은 다음과 같습니다:
- 디지털 트윈은 바이오리액터의 가상 복제본을 생성하여 유체 역학 및 영양소 분포와 같은 조건을 시뮬레이션합니다. 물리적 장비를 위험에 빠뜨리지 않고 결과를 예측합니다.
- AI 기반 센서는 실시간 모니터링 및 조정을 가능하게 하여 효율성을 높이고 낭비를 줄입니다.
- Gourmey와 같은 회사들은 이러한 기술을 사용하여 생산 비용을 €7/kg (£6/kg)으로 낮추고 사료 비용을 €0.20/리터 (£0.17/리터)로 줄였습니다.
세포 성장을 최적화하고 장비 고장을 방지하는 것부터, AI와 디지털 트윈은 확장 가능하고 비용 효율적인 배양육 생산의 경로를 재구성하고 있습니다. 이러한 도구들이 어떻게 구현되고 산업에 미치는 영향을 알아보려면 계속 읽어보세요.
AI와 디지털 트윈이 배양육 생산 비용과 효율성에 미치는 영향
바이오프로세싱을 위한 AI와 디지털 트윈의 적용: 함정과 해결 경로...
sbb-itb-ffee270
배양육 생산을 위한 AI와 디지털 트윈의 이점
AI와 디지털 트윈은 프로세스 제어를 개선하고 비용을 절감하며 대규모 상업 운영의 길을 열어 배양육 생산에 큰 영향을 미치고 있습니다.
개선된 바이오리액터 제어 및 모니터링
디지털 트윈은 생산자가 바이오리액터의 조건 - 예를 들어 기하학, 유체 역학, 물리적 설정 - 을 시뮬레이션할 수 있게 하여 "가상 시나리오"를 실행할 수 있게 합니다. 이러한 시뮬레이션은 온도, pH 수준, 영양 공급과 같은 중요한 매개변수를 물리적 조정 없이 미세 조정하는 데 도움을 줍니다 [1] [6] [4] .
AI는 "소프트 센싱"을 통해 중요한 역할을 하며, 이는 직접 측정하기 어려운 변수를 실시간으로 모니터링할 수 있게 합니다. 가상 센서는 물리적 센서가 부족한 영역에서 용존 산소 수준 및 포도당 농도와 같은 세부 사항을 추정합니다. 바이오리액터의 데이터는 가상 모델과 지속적으로 비교되어 불일치나 장비 문제의 초기 징후를 발견하는 데 도움을 줍니다.이것은 Octocells에 의해 강조된 예측 유지보수를 가능하게 합니다:
"기계가 고장 나거나 서비스가 필요할 시기를 예측함으로써, 유지보수가 사전에 계획되어 가동 중단 시간을 줄이고 장비의 수명을 연장할 수 있습니다." [1]
또한, 인과 AI는 생산자가 분자 상호작용을 이해하고 특정 분자가 세포 행동에 어떻게 영향을 미칠지를 예측하는 데 도움을 줍니다 [4]. 이러한 기능은 신뢰성을 향상시키면서 비용을 절감하여 생산 확대를 위한 견고한 기반을 만듭니다.
프로세스 최적화를 통한 비용 절감
바이오리액터에 대한 더 나은 제어는 폐기물을 최소화하고 배양육 생산에서 가장 큰 비용인 세포 배양 배지의 사용을 최적화하여 운영 비용을 직접적으로 줄입니다. 디지털 트윈은 세포 행동과 배지 변화의 가상 테스트를 가능하게 하여, 비용이 많이 드는 습식 실험실 실험의 필요성을 크게 줄입니다.
훌륭한 예는 2025년 6월에 바이오테크 회사 DeepLife와 협력한 프랑스 스타트업 Gourmey에서 나옵니다. 그들은 수백만 개의 조류 세포로부터 시퀀싱 데이터를 분석하고 이를 배지 교란 데이터와 통합하여 가금류 세포의 디지털 트윈을 개발했습니다. Gourmey의 CEO인 Nicolas Morin-Forest는 다음과 같이 설명했습니다:
"이러한 매개변수의 최적화는 수율을 높이고, 배지 낭비를 줄이며, 이는 배양육의 주요 비용 요인으로, 생산 비용을 직접적으로 낮춥니다." [4]
DeepLife의 CEO인 Jonathan Baptista는 다음과 같이 덧붙였습니다:
"이 모델은 Gourmey의 배지 교란 데이터로 미세 조정되어, 각 세포 집단의 행동에 다양한 분자가 어떻게 영향을 미칠지를 예측할 수 있게 합니다." [4]
미디어 최적화를 넘어, 디지털 트윈은 자본 지출을 줄이는 데도 도움을 줍니다. 기업은 가상 공장 복제본을 만들어 레이아웃, 장비 배치, 워크플로우를 테스트하여 건설이 시작되기 전에 최대 효율성을 보장할 수 있습니다 [1]. 이러한 시뮬레이션은 또한 운영자를 훈련시키는 안전하고 비용 효율적인 방법을 제공하여 준비 속도를 높이고 교육 비용을 낮춥니다.
상업 생산으로의 확장
디지털 트윈은 실험실에서 대규모 생산으로 운영을 확장하는 데 중요한 역할을 합니다. 이 전환은 종종 대형 바이오리액터에서 유체 흐름과 영양분 분배를 보장하는 데 있어 엔지니어링 과제를 수반합니다. 디지털 트윈은 전산 유체 역학(CFD)과 결합하여 이러한 요소를 최적화하는 데 도움을 줍니다 [7].
디자인과 프로세스를 시뮬레이션함으로써, 생산자들은 실험 설정과 대규모 제조 간의 격차를 줄일 수 있습니다. FUDZS가 지적한 바와 같이:
"시뮬레이션을 통해 가장 효율적인 디자인을 식별함으로써, 투자자들은 건설에 사용된 모든 달러나 유로가 가능한 최고의 투자 수익을 보장할 것입니다!" [1]
상업 규모에서 디지털 트윈은 장비 성능을 실시간으로 모니터링하며, 가상 벤치마크와 비교하여 마모의 초기 징후를 감지합니다. 이러한 사전 예방적 접근 방식은 가동 중단 시간을 최소화하여 시장 수요를 충족하기 위한 지속적인 생산을 보장합니다 [1].
AI 기반 시뮬레이션은 전통적인 습식 실험실 실험에 대한 의존도를 줄임으로써 연구 개발 속도를 높입니다. 이를 통해 생산자들은 예산과 일정 내에서 세포주, 배지 공식, 생산 프로세스를 신속하게 개선할 수 있습니다.
생명공정 자동화에서 AI와 디지털 트윈 구현 방법
AI와 디지털 트윈을 배양육 생산에 도입하려면 데이터 관리, 하이브리드 모델링 기술, 적합한 하드웨어에 대한 강력한 기반이 필요합니다. 시작점은 데이터 레이어를 구축하여 pH, 용존 산소, 토크, 교반 속도, 공급 질량과 같은 중요한 바이오리액터 데이터를 플랜트 히스토리언으로 스트리밍하는 것입니다. 이 단계는 효과적인 구현을 위한 기초를 마련합니다 [5] .
다음 단계는 하이브리드 모델. 을 만드는 것입니다. 이 접근 방식은 질량 균형 및 산소 전달 속도와 같은 기계적 원리를 기계 학습 알고리즘과 결합합니다. "그레이 박스" 모델로 알려진 이 방법은 전통적인 물리 기반 방법을 넘어 복잡한 생물학적 행동을 더 잘 예측합니다.James Westley, Cambridge Consultants의 부국장이 말하길:
"이 접근 방식은 AI를 '실제 지능'으로 보완하는 것에서 시작됩니다... AI와 도메인 전문 지식을 결합하여 실험 수를 수천에서 수십으로 줄입니다" [2].
필요한 실험 수를 줄임으로써, 이 방법은 정확성을 유지하면서 비용을 크게 절감할 수 있습니다. 기초가 마련되면, 디지털 트윈을 훈련시키고 이를 실시간 프로세스 제어에 통합하는 데 중점을 둡니다.
실험 데이터를 사용한 디지털 트윈 훈련
디지털 트윈이 효과적으로 작동하려면 물리적 실험에서 얻은 양질의 데이터가 필요합니다. 전통적인 모델은 종종 수백 또는 수천 개의 데이터 포인트를 요구합니다.그러나 하이브리드 모델링은 CO₂ 증가가 pH에 미치는 영향과 같은 알려진 물리적 및 화학적 관계를 통합하여 이를 단순화하고 데이터 부담을 줄입니다 [2] .
베이지안 최적화를 사용한 AI 유도 실험 설계(DoE)는 프로세스를 더욱 간소화합니다. 이 방법은 가장 유익한 실험을 우선시하여 시행착오의 비효율성을 피합니다. 예를 들어, 한 연구에서 연구자들은 단 21개의 실험을 사용하여 하이브리드 모델을 훈련하고 6개의 추가 테스트로 이를 검증했습니다. 모델은 생체량 성장과 포도당 소비를 정확하게 예측했습니다 [8] .
이러한 이점은 단지 이론적인 것이 아닙니다. 2025년 6월, 프랑스 스타트업 Gourmey는 배양 가금류 생산을 위한 디지털 트윈을 개발하기 위해 바이오테크 회사 DeepLife와 협력했습니다.수백만 개의 조류 세포로부터 시퀀싱 데이터를 분석하고 이를 대형 언어 모델(LLM)에 통합하여 세포 내 메커니즘을 시뮬레이션했습니다. 이를 통해 물리적 실험을 수행하기 전에 사료 배합을 가상으로 최적화할 수 있었습니다. Gourmey의 CEO인 Nicolas Morin-Forest는 다음과 같이 설명했습니다:
"Gourmey의 독점적인 세포 배양 플랫폼과 고급 분석 도구를 DeepLife의 선도적인 디지털 트윈 기술과 결합함으로써 이제 생산의 모든 단계를 시뮬레이션하고 최적화할 수 있습니다" [4].
이러한 방법은 비용을 절감할 뿐만 아니라 생산 과정에 대한 통제력을 향상시킵니다.
실시간 조정을 위한 AI 통합
디지털 트윈이 훈련되면 모델 예측 제어(MPC) 또는 강화 제어(RC)를 통해 실시간 프로세스 제어에 사용할 수 있습니다.이 시스템은 쌍둥이의 예측에 따라 pH, 용존 산소, 공급 속도와 같은 매개변수를 조정합니다 [5] . 이러한 유형의 폐쇄 루프 제어는 프로세스 분석 기술 (PAT), 에 의존하며, Raman 또는 FTIR 분광법과 같은 고급 센서를 사용하여 약 60초마다 주요 대사산물을 측정합니다 [5].
프로세스를 완전히 자동화하기 전에, 시스템을 "섀도 모드". 에서 테스트하는 것이 현명합니다. 이는 AI 추천을 운영자 결정과 비교하여 위험 없이 시스템의 기능에 대한 신뢰를 구축할 수 있게 합니다 [5]. 예를 들어, Elise Biopharma는 1,000리터의 공급 배치 공정에서 MPC와 디지털 트윈을 사용했습니다. 이는 국물 점도에 의해 발생한 산소 전달 문제를 밝혀냈습니다. 교반과 역압을 재조정하여 시스템은 문제를 해결하고 수율을 개선했습니다 [5].
성공을 보장하기 위해 장비는 지속적인 데이터 스트리밍과 양방향 정보 흐름을 지원해야 합니다. AI 기반의 "소프트 센서"는 직접 측정하기 어려운 변수를 추론하여 물리적 센서의 범위를 넘어선 통찰력을 제공하므로 특히 가치가 있습니다 [5].
장비 조달을 위한 Cellbase
실험실에서 상업 생산으로 AI와 디지털 트윈을 확장하려면 일반적인 실험실 공급업체가 제공하지 않을 수 있는 특수 하드웨어가 필요합니다. 필수 장비에는 데이터 연결이 통합된 바이오리액터, 라만 및 FTIR 프로브와 같은 고급 인라인 센서, 오프가스 질량 분석기, 마이크로플루이딕스가 있는 다중 웰 병렬 바이오리액터가 포함됩니다. 또한, 생장 배지는 조성의 변화가 생물학적 반응에 크게 영향을 미칠 수 있으므로 주의 깊게 추적해야 합니다 [2] [5].
연구에서 상업 생산으로 배양육 공정을 확대하는 기업을 위해,
사례 연구: 배양육 생산에서 디지털 트윈과 AI
DeepLife-Gourmey 조류 디지털 트윈
이 사례 연구는 프랑스 배양육 회사 Gourmey와 바이오테크 회사 DeepLife의 협업을 중심으로 AI와 디지털 트윈 기술이 배양육 산업을 어떻게 변화시키고 있는지를 탐구합니다..
2025년 6월, Gourmey와 DeepLife는 최초의 조류 디지털 트윈을 공개했습니다. 이는 성장 조건 최적화를 목표로 한 가금류 세포의 가상 모델입니다. 이 프로젝트는 오리 배아 줄기세포에 집중하여 7일 동안 다중 오믹스 데이터를 수집했습니다. 이 데이터는 대형 언어 모델을 사용하여 분석되었으며, 세포 내 메커니즘을 식별하고 다양한 분자가 세포 행동에 미치는 영향을 예측했습니다.[4][9] .
디지털 트윈은 인과 AI를 사용하여 세포 내의 원인과 결과 관계를 매핑합니다. Target-Action-Metabolite (TAM) 프레임워크는 세포 생존율 개선이나 지방 합성 향상과 같은 세포 결과를 특정 대사물질 및 프로세스 매개변수와 연결합니다 [9]. 이로 인해 수천 개의 가상 실험이 가능해져 비용이 많이 들고 시간이 많이 소요되는 습식 실험실 실험을 줄일 수 있습니다. 얻어진 통찰력은 측정 가능한 생산 발전으로 이어졌습니다.
눈에 띄는 발견 중 하나는 oleoyl-lysophosphatidic acid (LPA). 의 역할이었습니다. AI는 LPA가 에너지 조절 유전자 SIRT6, 을 활성화하여 세포 생존율을 높이고 지질 수준을 균형 있게 유지할 수 있음을 제안했습니다. 이를 통해 유전자 변형 없이 매체 최적화가 가능해졌습니다 [9]. Nicolas Morin-Forest, Gourmey의 CEO는 이 기술의 영향을 강조했습니다:
"DeepLife의 디지털 트윈 기술을 우리 플랫폼에 통합함으로써, 실험실에 들어가기 전에 조류 세포가 다양한 배양 조건에 어떻게 반응하는지를 모델링할 수 있습니다. 이는 우리의 R&D 사이클을 가속화하고, 비용이 많이 드는 시행착오에 대한 의존도를 줄이며, 궁극적으로 대규모로 생산 경제성을 최적화할 수 있는 능력을 강화합니다" [10].
결과는 인상적입니다. Gourmey는 5,000리터의 상업 규모에서 €7/kg (약 £6/kg)의 생산 비용을 달성했으며, 이는 독립적인 기술 경제 평가에서 지금까지 기록된 가장 낮은 수치입니다 [10]. 또한, 회사는 식품 안전 사료 가격을 약 €0.20 per litre (약 £0.17 per litre)로 줄였습니다 [10]. €65 million 이상의 자금을 지원받아, 파리의 Gourmey 60인 팀은 디지털 트윈을 계속해서 개선하며, 이를 통해 감칠맛 강도와 지방 구조와 같은 감각적 측면을 향상시키고 있습니다. 이 협업은 AI와 디지털 트윈이 배양육 생산에서 확장 가능하고 영향력 있는 발전을 제공할 수 있음을 보여줍니다 [10].
바이오프로세싱을 위한 AI와 디지털 트윈의 도전과 미래 동향
채택 도전과 데이터 요구사항
배양육 생산을 위한 디지털 트윈을 만드는 것은 쉬운 일이 아닙니다. 바이오프로세싱을 위한 범용 AI 모델을 개발하려면 수백에서 수천 개의 데이터 포인트가 포함된 방대한 데이터셋이 필요합니다. 이 과정은 시간 소모적일 뿐만 아니라 수백만 달러의 비용이 들고 완료하는 데 수년이 걸릴 수 있습니다 [2]. 도전은 생물학 자체에 있으며, 적어도 열 가지의 공정 변수가 매우 복잡하고 비선형적인 방식으로 상호작용합니다[2].
이 노력을 지원하기 위해 필요한 인프라도 마찬가지로 까다롭습니다. 기업들은 미디어 준비를 위한 고처리량 실험실 자동화와 pH, 온도, 용존 산소 및 영양소를 추적하는 실시간 모니터링 센서가 장착된 생물 반응기, AI 시뮬레이션을 처리하기 위한 고성능 컴퓨팅 시스템이 필요합니다 [11]. 또한, 재료 비용은 여전히 장애물로 남아 있습니다 - 예를 들어, 태아 소 혈청은 50 ml당 £70, 이며, 2,000리터 생물 반응기 탱크용 마이크로캐리어는 약 £13,000입니다 [11]. 또 다른 중요한 장벽은 조류에 특화된 데이터 세트의 부족으로, 이는 AI 모델이 다양한 가금류 종에 걸쳐 일반화할 수 있는 능력을 제한합니다 [12] .
이러한 장애물을 극복하기 위해, 기업들은 AI와 도메인 전문 지식 및 기본 원리 물리학을 결합하는 방법인 하이브리드 모델링을 채택하고 있습니다. CO₂ 수준과 pH 간의 역상관 관계와 같은 알려진 관계를 통합함으로써, 이러한 모델은 필요한 물리적 실험의 수를 크게 줄일 수 있습니다 [2][13] . 이러한 도전 과제를 해결하는 것은 배양육 분야에서 AI 기반 자동화를 완전히 활용하는 데 필수적입니다. 어려움에도 불구하고, 새로운 트렌드가 생명공정 자동화의 변혁적 변화를 위한 길을 열고 있습니다.
미래 동향: AI 기반 생물공정 자동화
업계는 최첨단 혁신으로 이러한 도전에 대응하고 있습니다. 배양육의 글로벌 AI 시장은 2025년 £70백만에서 2035년 £2,500백만으로 연평균 성장률 42.7%로 성장할 것으로 예상됩니다 [11] . 여러 주요 트렌드가 이 확장을 주도하고 있습니다. 예를 들어, AI 통합 3D 바이오프린팅은 자연 고기의 질감을 재현하는 스캐폴드 구조를 만들기 위해 재료 조성 및 인쇄 매개변수를 최적화하고 있습니다 [11]. 마찬가지로, 예측 유지보수 시스템은 배양기 조건을 모니터링하여 배치 실패나 오염과 같은 문제를 예측하고 방지하는 데 도움을 주고 있습니다 [11][12].
2025년 1월, 중국은 베이징에서 '신단백질 식품 과학 및 기술 혁신 기지'를 출범시키며 과감한 발걸음을 내디뎠습니다. 이는 £9백만 투자. 로 지원받고 있으며, 이 시설은 AI와 블록체인 기술을 통합하여 연구에서 소매까지 배양육 생산 과정 전반에 걸쳐 실시간 모니터링과 추적 가능성을 제공합니다 [11]. 비슷한 시기에, 이스라엘 스타트업 Aleph Farms는 AI 기반 파일럿 시설을 강화하고 비용 효율적인 전체 컷 배양 스테이크의 상업화를 목표로 £24백만의 자금을 확보했습니다 [11].
앞으로 디지털 트윈은 단순히 수율을 개선하는 것을 넘어 진화할 것으로 예상됩니다.그들은 배양육의 맛과 질감을 개선하기 위해 휘발성 화합물, 단백질 및 지질을 모델링하여 감각적 속성 을 향상시키는 것을 목표로 하고 있습니다 [3]. 오픈 소스 AI 허브, 의 부상은 AI4CM Hub , 과 같은 이 분야에서의 협력과 혁신을 촉진하고 있습니다 [11]. 이러한 기술이 발전함에 따라, 자동화된 인라인 센서, 소형화된 병렬 바이오리액터 및 하이브리드 AI 모델에 투자하는 기업들은 규제 환경을 탐색하면서 생산을 효율적으로 확장할 수 있는 더 나은 준비를 갖추게 될 것입니다. 확장 가능하고 비용 효율적인 배양을 달성하는 것이 이 급속히 발전하는 산업에서 상업적 성공의 열쇠가 될 것입니다.
결론
AI와 디지털 트윈은 배양육 생산에서 생물 공정 자동화를 재구성하고 있습니다.사료 배합을 개선하고, 가상 시뮬레이션을 통해 연구 속도를 높이며, 규모 확장 시 예측 가능성을 향상시킴으로써, 이러한 기술들은 비용을 크게 절감하고 투자자들에게 산업을 더 매력적으로 만듭니다 [2][4]. Cambridge Consultants의 부국장인 James Westley는 이러한 도구들이 확장성을 향상시켜 투자 유치에 중요하다고 지적합니다. 이 디지털 전환은 데이터 중심적이고 효율적인 생산 과정을 추진하고 있습니다.
자율 시스템으로 특징지어지는 Industry 4.0으로의 전환은 이 분야에서 성공을 목표로 하는 기업들에게 필수 요소가 되고 있습니다 [13]. 기계 물리학과 기계 학습을 결합한 하이브리드 모델링은 예측 디지털 트윈을 더 쉽게 접근할 수 있게 하며, 이는 소규모 기업에게도 적용 가능합니다 [2]. 실시간 모니터링은 빠른 조정과 배치 실패 가능성을 줄임으로써 효율성을 더욱 높입니다 [2].
이 변혁의 핵심은 자동화된 인라인 센서, 소형화된 병렬 바이오리액터, 고성능 컴퓨팅 및 PAT 도구와 같은 고급 도구의 채택입니다.
배양육 생산의 미래는 부인할 수 없이 디지털입니다. AI를 수용하고
자주 묻는 질문
배양육을 위한 유용한 디지털 트윈을 구축하려면 어떤 데이터가 필요합니까?
배양육 생산을 위한 신뢰할 수 있는 디지털 트윈을 구축하려면 생물학적 및 공정 매개변수에 대한 정확한 데이터를 수집하는 것이 중요합니다. 모니터링해야 할 주요 요소로는 pH, 온도, 용존 산소, 포도당 수치 및 세포 성장의 실시간 측정. 이 있습니다. 이와 함께 바이오리액터 조건, 유체 역학 및 물질 전달에 대한 정보도 중요한 역할을 합니다. 고빈도, 정확한 데이터 수집은 디지털 트윈이 바이오리액터 환경을 밀접하게 반영하도록 하여 AI가 공정을 효과적으로 최적화할 수 있게 합니다.
하이브리드(그레이 박스) 모델은 어떻게 실험실 실험의 수를 줄입니까?
하이브리드 또는 그레이 박스 모델은 기계 학습과 기계적 모델을 결합하여 공정의 정확한 가상 시뮬레이션을 생성합니다.이 모델들은 효과적인 시나리오 테스트를 가능하게 하며 광범위한 물리적 실험의 필요성을 줄여줍니다. 계산 예측에 의존함으로써, 시간과 자원을 절약하면서도 귀중한 통찰력을 제공합니다.
생물 반응기에서 실시간 AI 제어를 위해 필수적인 센서와 장비는 무엇입니까?
생물 반응기에서 최적의 조건을 유지하기 위해 여러 센서가 실시간 모니터링 및 제어에 중요한 역할을 합니다. 여기에는 다음이 포함됩니다:
- 온도 센서 (RTDs): 세포 성장을 위해 필요한 정확한 온도로 생물 반응기를 유지하는 데 필수적입니다.
- pH 센서: 유리 또는 ISFET 타입으로 제공되며, 공정에 적합한 산도 또는 알칼리도 수준을 보장합니다.
- 용존 산소 센서 (광학): 세포 대사에 직접적인 영향을 미치는 산소 수준을 추적하는 데 중요합니다.
- 대사체 센서: 포도당과 젖산과 같은 주요 화합물을 모니터링하여 효율적인 생산에 필요한 균형을 유지하는 데 도움을 줍니다.
이 센서들은 AI 시스템이 배양육 생산의 성공을 보장하기 위해 생물공정 조건을 미세 조정하는 데 필요한 상세 데이터를 제공합니다.
