Het opschalen van de productie van gekweekt vlees is duur en tijdrovend. De overgang van kleine laboratoriumopstellingen naar commerciële bioreactoren mislukt vaak vanwege onvoorspelbare biologische uitkomsten. Maar AI en digitale tweelingen veranderen dit. Deze tools simuleren en optimaliseren processen virtueel, waardoor kosten en ontwikkelingstijd met tot wel 50% worden verlaagd. Hier is hoe:
- Digitale tweelingen creëren virtuele replica's van bioreactoren, waarbij omstandigheden zoals vloeistofdynamica en voedingsstofverdeling worden gesimuleerd. Ze voorspellen uitkomsten zonder fysiek apparatuur te riskeren.
- AI-gestuurde sensoren maken realtime monitoring en aanpassingen mogelijk, waardoor de efficiëntie wordt verbeterd en verspilling wordt verminderd.
- Bedrijven zoals Gourmey hebben deze technologieën gebruikt om de productiekosten te verlagen en de voerkosten aanzienlijk te verminderen.
Van het optimaliseren van celgroei tot het voorkomen van apparatuurstoringen, AI en digitale tweelingen hervormen de weg naar schaalbare, kostenefficiënte productie van gekweekt vlees. Blijf lezen om te leren hoe deze tools worden geïmplementeerd en hun impact op de industrie.
Impact van AI en Digitale Tweelingen op Kosten en Efficiëntie van Gekweekt Vleesproductie
Toepassing van AI en Digitale Tweelingen voor Bioprocessing: Valkuilen en Oplossingspaden voor...
sbb-itb-ffee270
Voordelen van AI en Digitale Tweelingen voor Gekweekt Vleesproductie
AI en digitale tweelingen hebben een grote impact op de productie van gekweekt vlees door procescontrole te verbeteren, kosten te verlagen en de weg vrij te maken voor grootschalige commerciële operaties.
Verbeterde Bioreactor Controle en Monitoring
Digitale tweelingen stellen producenten in staat om bioreactoromstandigheden te simuleren - zoals geometrie, vloeistofdynamica en fysieke instellingen - waardoor het mogelijk is om "wat-als" scenario's uit te voeren. Deze simulaties helpen bij het verfijnen van kritieke parameters zoals temperatuur, pH-niveaus en voedingsstoffenvoorziening zonder de noodzaak van kostbare fysieke aanpassingen [1] [6] [4].
AI speelt een sleutelrol door "soft sensing", wat realtime monitoring van variabelen mogelijk maakt die moeilijk direct te meten zijn. Virtuele sensoren schatten details zoals opgeloste zuurstofniveaus en glucoseconcentratie in gebieden waar fysieke sensoren tekortschieten. Gegevens van bioreactoren worden constant vergeleken met virtuele modellen, wat helpt om discrepanties of vroege tekenen van apparatuurproblemen te ontdekken.Dit maakt voorspellend onderhoud mogelijk, zoals benadrukt door Octocells:
"Door te voorspellen wanneer een machine waarschijnlijk zal falen of onderhoud nodig heeft, wordt onderhoud proactief gepland, waardoor stilstand wordt verminderd en de levensduur van de apparatuur wordt verlengd." [1]
Bovendien helpt causale AI producenten om moleculaire interacties te begrijpen en te voorspellen hoe specifieke moleculen het celgedrag zullen beïnvloeden [4]. Deze mogelijkheden verbeteren de betrouwbaarheid en verlagen de kosten, waardoor een solide basis wordt gelegd voor het opschalen van de productie.
Kostenbesparing door Procesoptimalisatie
Betere controle over bioreactoren vermindert direct de operationele kosten door verspilling te minimaliseren en het gebruik van celkweekmedia te optimaliseren - de grootste uitgave in de productie van gekweekt vlees.Digitale tweelingen maken virtuele tests van celgedrag en mediaveranderingen mogelijk, waardoor de behoefte aan dure natte labexperimenten aanzienlijk wordt verminderd.
Een goed voorbeeld komt van Gourmey, een Franse start-up die in juni 2025 samenwerkte met biotechnologiebedrijf DeepLife. Samen ontwikkelden ze een digitale tweeling van pluimveecellen door sequencinggegevens van miljoenen vogelcellen te analyseren en deze te integreren met mediaperturbatiegegevens. Nicolas Morin-Forest, CEO van Gourmey, legde uit:
"Het optimaliseren van deze parameters verhoogt de opbrengst, vermindert voerverspilling, wat een primaire kostenfactor is in gekweekt vlees, en verlaagt direct de productiekosten." [4]
Jonathan Baptista, CEO van DeepLife, merkte verder op:
"Het model wordt verfijnd met behulp van Gourmey-gegevens over mediaperturbaties, waardoor het kan voorspellen hoe verschillende moleculen het gedrag van elke celpopulatie zullen beïnvloeden." [4]
Naast media-optimalisatie helpen digitale tweelingen ook om kapitaaluitgaven te verminderen. Bedrijven kunnen virtuele fabrieksreplica's maken om lay-outs, apparatuurplaatsingen en workflows te testen voordat de bouw begint, wat zorgt voor maximale efficiëntie [1]. Deze simulaties bieden ook een veilige, kosteneffectieve manier om operators te trainen, waardoor de gereedheid wordt versneld en de trainingskosten worden verlaagd.
Opschalen naar commerciële productie
Digitale tweelingen spelen een cruciale rol bij het opschalen van operaties van het laboratorium naar volledige productie. Deze overgang gaat vaak gepaard met technische uitdagingen, vooral bij het waarborgen van de vloeistofstroom en voedingsstoffendistributie in grote bioreactoren. Digitale tweelingen, gecombineerd met computationele vloeistofdynamica (CFD), helpen deze factoren te optimaliseren [7].
Door ontwerpen en processen te simuleren, kunnen producenten de kloof overbruggen tussen experimentele opstellingen en grootschalige productie. Zoals FUDZS opmerkt:
"Door het meest efficiënte ontwerp te identificeren via simulatie, zullen investeerders ervoor zorgen dat elke dollar of euro die aan de bouw wordt besteed, het hoogst mogelijke rendement op investering oplevert!" [1]
Op commerciële schaal blijven digitale tweelingen de prestaties van apparatuur in realtime monitoren, waarbij ze deze vergelijken met virtuele benchmarks om vroege tekenen van slijtage te detecteren. Deze proactieve benadering minimaliseert stilstand, waardoor continue productie wordt gegarandeerd om aan de marktvraag te voldoen [1].
Door AI aangedreven simulaties versnellen ook onderzoek en ontwikkeling door de afhankelijkheid van traditionele natte labexperimenten te verminderen. Dit stelt producenten in staat om snel cellijnen, mediaformules en productieprocessen te verfijnen, terwijl ze binnen het budget en op schema blijven.
Hoe AI en Digitale Tweelingen te Implementeren in Bioprocesautomatisering
Het integreren van AI en digitale tweelingen in de productie van gekweekt vlees vereist een sterke basis in gegevensbeheer, hybride modelleringstechnieken en geschikte hardware. Het startpunt is het bouwen van een gegevenslaag die kritieke bioreactorgegevens - zoals pH, opgelost zuurstof, koppel, roersnelheid en voerhoeveelheid - naar een plant historian streamt. Deze stap legt de basis voor een effectieve implementatie [5] .
De volgende fase omvat het creëren van een hybride model. Deze aanpak combineert mechanistische principes, zoals massabalansen en zuurstofoverdrachtsnelheden, met machine learning-algoritmen. Bekend als een "grijze doos" model, gaat het verder dan traditionele op fysica gebaseerde methoden om complexe biologische gedragingen beter te voorspellen.Zoals James Westley, Associate Director bij Cambridge Consultants, het verwoordt:
"De aanpak begint met het aanvullen van AI met 'echte intelligentie'... het combineren van AI met domeinexpertise om het aantal experimenten te verminderen – van de lage duizenden naar de hoge tientallen" [2].
Door het aantal benodigde experimenten te verminderen, kan deze methode de kosten aanzienlijk verlagen terwijl de nauwkeurigheid behouden blijft. Zodra de basis is gelegd, verschuift de focus naar het trainen van de digitale tweeling en het integreren ervan in real-time procescontrole.
Digitale Tweelingen Trainen met Experimentele Data
Om effectief te functioneren, heeft een digitale tweeling kwaliteitsdata nodig van fysieke experimenten. Traditionele modellen vereisen vaak honderden of zelfs duizenden datapunten.Echter, hybride modellering vereenvoudigt dit door bekende fysische en chemische relaties te integreren, zoals hoe verhoogde CO₂ de pH beïnvloedt, waardoor de gegevenslast wordt verminderd [2] .
Het gebruik van AI-geleide Design of Experiments (DoE) met Bayesiaanse optimalisatie stroomlijnt het proces verder. Deze methode geeft prioriteit aan de meest informatieve experimenten, waardoor de inefficiëntie van trial-and-error wordt vermeden. In één studie bijvoorbeeld trainden onderzoekers een hybride model met slechts 21 experimenten en valideerden het met 6 extra tests. Het model voorspelde nauwkeurig de groei van biomassa en het glucoseverbruik [8] .
Deze voordelen zijn niet alleen theoretisch. In juni 2025 werkte de Franse start-up Gourmey samen met biotechnologiebedrijf DeepLife om een digitale tweeling te ontwikkelen voor de productie van gekweekt gevogelte.Door sequencinggegevens van miljoenen vogelcellen te analyseren en deze te integreren in Large Language Models (LLMs), simuleerden ze intracellulaire mechanismen. Dit stelde hen in staat om voederformuleringen virtueel te optimaliseren voordat fysieke experimenten werden uitgevoerd. Zoals Nicolas Morin-Forest, CEO van Gourmey, uitlegde:
"Door Gourmey's eigen celkweekplatform en geavanceerde analysetools te combineren met DeepLife's toonaangevende digitale tweelingtechnologie, kunnen we nu elke productiefase simuleren en optimaliseren" [4].
Dergelijke methoden verlagen niet alleen de kosten, maar verbeteren ook de controle over het productieproces.
Integratie van AI voor realtime aanpassingen
Zodra een digitale tweeling is getraind, kan deze worden gebruikt voor realtime procescontrole via Model Predictive Control (MPC) of Reinforcement Control (RC).Deze systemen passen parameters aan zoals pH, opgelost zuurstof en voedingssnelheden op basis van de voorspellingen van de twin [5] . Dit type gesloten-lusregeling is afhankelijk van Process Analytical Technology (PAT), met geavanceerde sensoren zoals Raman- of FTIR-spectroscopie die ongeveer elke 60 seconden belangrijke metabolieten meten [5].
Voordat processen volledig worden geautomatiseerd, is het verstandig om het systeem in "schaduwmodus". te testen. Dit stelt AI-aanbevelingen in staat om te worden vergeleken met operatorbeslissingen zonder risico, waardoor vertrouwen in de capaciteiten van het systeem wordt opgebouwd [5]. Bijvoorbeeld, Elise Biopharma gebruikte een digitale twin met MPC in een 1.000-liter fed-batch proces. Dit onthulde zuurstofoverdrachtsproblemen veroorzaakt door de viscositeit van de bouillon. Door agitatie en tegendruk opnieuw in balans te brengen, loste het systeem het probleem op en verbeterde de opbrengst [5].
Om succes te garanderen, moet apparatuur continue datastreaming en bidirectionele informatiestroom ondersteunen. AI-aangedreven "soft sensors" zijn hier bijzonder waardevol, omdat ze variabelen afleiden die moeilijk direct te meten zijn, en inzichten bieden die buiten het bereik van fysieke sensoren liggen [5].
Gebruik van Cellbase voor Apparatuuraankoop
Het opschalen van AI en digitale tweelingen van laboratorium naar commerciële productie vereist gespecialiseerde hardware die algemene laboratoriumleveranciers mogelijk niet bieden. Essentiële apparatuur omvat bioreactoren met geïntegreerde dataconnectiviteit, geavanceerde inline sensoren zoals Raman- en FTIR-sondes, off-gas massaspectrometers en multi-well parallelle bioreactoren met microfluidica. Bovendien moet groeimedia zorgvuldig worden gevolgd, aangezien variaties in samenstelling aanzienlijke invloed kunnen hebben op biologische reacties [2][5].
Voor bedrijven die gekweekte vleesprocessen opschalen van onderzoek naar commerciële productie,
Case Study: Digitale Tweelingen en AI in de Productie van Gekweekt Vlees
DeepLife-Gourmey Aviaire Digitale Tweeling
Deze casestudy duikt in hoe AI en digitale tweelingtechnologie de gekweekte vleesindustrie transformeren, met de focus op een samenwerking tussen het Franse gekweekte vleesbedrijf Gourmey en biotechnologiebedrijf DeepLife.
In juni 2025 onthulden Gourmey en DeepLife de eerste aviaire digitale tweeling - een virtueel model van pluimveecellen gericht op het optimaliseren van groeicondities. Het project concentreerde zich op embryonale stamcellen van eend, waarbij gedurende zeven dagen multi-omics data werd verzameld. Deze data werd geanalyseerd met behulp van Large Language Models, die intracellulaire mechanismen identificeerden en voorspelden hoe verschillende moleculen het celgedrag beïnvloeden [4] [9].
De digitale tweeling gebruikt causale AI om oorzaak-en-gevolgrelaties binnen cellen in kaart te brengen. Een Target-Action-Metabolite (TAM) framework koppelt cellulaire uitkomsten, zoals verbeterde celviabiliteit of verbeterde vetsynthese, aan specifieke metabolieten en procesparameters [9]. Dit maakt duizenden virtuele experimenten mogelijk, waardoor dure en tijdrovende natte labproeven worden verminderd. De verkregen inzichten hebben geleid tot meetbare productieverbeteringen.
Een opvallende ontdekking was de rol van oleoyl-lysophosphatidic acid (LPA). De AI suggereerde dat LPA het energie-regulerende gen SIRT6, zou kunnen activeren, waardoor de celviabiliteit wordt verhoogd en de lipideniveaus in balans worden gebracht. Dit maakte media-optimalisatie mogelijk zonder genetische modificaties [9]. Nicolas Morin-Forest, CEO van Gourmey, benadrukte de impact van deze technologie:
"Het integreren van DeepLife's digitale tweelingtechnologie in ons platform stelt ons in staat om te modelleren hoe vogelcellen reageren op verschillende kweekomstandigheden voordat we het laboratorium betreden. Dit versnelt onze R&D-cycli, vermindert de afhankelijkheid van kostbare trial-and-error, en scherpt uiteindelijk ons vermogen aan om productie-economieën op schaal te optimaliseren" [10].
De resultaten zijn indrukwekkend. Gourmey meldt dat het een opmerkelijk lage productiekost heeft bereikt op een commerciële schaal van 5.000 liter, volgens een onafhankelijke techno-economische beoordeling [10]. Bovendien zegt het bedrijf dat het de kosten van zijn voedselveilige voer aanzienlijk heeft verlaagd [10]. Met meer dan €65 miljoen aan financiering blijft het 60-koppige team van Gourmey in Parijs de digitale tweeling verfijnen, waarbij het wordt gebruikt om sensorische aspecten zoals umami-intensiteit en vetstructuur te verbeteren. Deze samenwerking toont aan hoe AI en digitale tweelingen schaalbare en impactvolle vooruitgangen kunnen leveren in de productie van gekweekt vlees [10].
Uitdagingen en Toekomstige Trends in AI en Digitale Tweelingen voor Bioprocessing
Adoptie-uitdagingen en Data-eisen
Het creëren van een digitale tweeling voor de productie van gekweekt vlees is geen geringe prestatie. Het ontwikkelen van een AI-model voor algemeen gebruik in bioprocessing vereist uitgebreide datasets - honderden tot duizenden datapunten. Dit proces is niet alleen tijdrovend; het kan ook miljoenen kosten en jaren duren om te voltooien [2]. De uitdaging ligt in de biologie zelf, waar minstens tien procesvariabelen op zeer complexe, niet-lineaire manieren interageren [2].
De infrastructuur die nodig is om deze onderneming te ondersteunen is even veeleisend. Bedrijven hebben high-throughput labautomatisering nodig voor mediavoorbereiding, bioreactoren uitgerust met real-time monitoringsensoren (die pH, temperatuur, opgelost zuurstof en voedingsstoffen volgen), en high-performance computersystemen om AI-simulaties te verwerken [11] . Bovendien blijft de kostprijs van materialen een obstakel - foetaal kalfserum en microcarriers voor grote bioreactortanks kunnen bijzonder duur zijn [11]. Een andere belangrijke barrière is het gebrek aan vogel-specifieke datasets, wat de mogelijkheid van AI-modellen beperkt om te generaliseren over verschillende pluimveesoorten [12].
Om deze obstakels te overwinnen, nemen bedrijven hybride modellering aan - een methode die AI combineert met domeinexpertise en natuurkundige basisprincipes. Door bekende relaties te integreren, zoals de inverse correlatie tussen CO₂-niveaus en pH, kunnen deze modellen het aantal vereiste fysieke experimenten aanzienlijk verminderen [2][13] . Het aanpakken van deze uitdagingen is cruciaal om AI-gedreven automatisering in de gekweekte vleesindustrie volledig te benutten. Ondanks de moeilijkheden banen opkomende trends de weg voor transformerende veranderingen in bioprocesautomatisering.
Toekomstige Trends in AI-gedreven Bioprocesautomatisering
De industrie reageert op deze uitdagingen met baanbrekende innovaties.De wereldwijde AI-markt in gekweekt vlees wordt voorspeld te groeien van £70 miljoen in 2025 tot een indrukwekkende £2.500 miljoen in 2035, met een jaarlijkse groei van 42,7% [11]. Verschillende belangrijke trends drijven deze uitbreiding. Bijvoorbeeld, AI-geïntegreerd 3D-bioprinten optimaliseert materiaalformuleringen en printparameters om steigerstructuren te creëren die de textuur van natuurlijk vlees nabootsen [11]. Evenzo worden predictief onderhoud systemen ingezet om bioreactoromstandigheden te monitoren, wat helpt om problemen zoals batchfouten of besmetting te anticiperen en te voorkomen [11][12] .
In januari 2025 zette China een gedurfde stap door de 'New Protein Food Science and Technology Innovation Base' in Peking te lanceren, gesteund door grote investeringen. Deze faciliteit integreert AI- en blockchain-technologieën om real-time monitoring en traceerbaarheid mogelijk te maken gedurende het gehele productieproces van gekweekt vlees, van onderzoek tot retail [11]. Rond dezelfde tijd verkreeg de Israëlische start-up Aleph Farms extra financiering om zijn AI-gestuurde proefinstallatie te verbeteren en te werken aan de commercialisering van kosteneffectieve whole-cut gekweekte steaks [11].
Vooruitkijkend wordt verwacht dat digitale tweelingen verder evolueren dan alleen het verbeteren van de opbrengst. Ze streven ernaar om sensorische eigenschappen te verbeteren - het modelleren van vluchtige verbindingen, eiwitten en lipiden om de smaak en textuur van gekweekt vlees te verfijnen [3]. De opkomst van open-source AI-hubs , zoals de AI4CM Hub, bevordert ook samenwerking en innovatie in dit veld [11]. Naarmate deze technologieën vorderen, zullen bedrijven die investeren in geautomatiseerde inline sensoren, geminiaturiseerde parallelle bioreactoren en hybride AI-modellen beter uitgerust zijn om de productie efficiënt op te schalen terwijl ze navigeren door regelgevende landschappen. Het bereiken van schaalbare en kosteneffectieve teelt zal de sleutel zijn tot commercieel succes in deze snel voortschrijdende industrie.
Conclusie
AI en digitale tweelingen hervormen de bioprocesautomatisering in de productie van gekweekt vlees. Door het verfijnen van voerformuleringen, het versnellen van onderzoek met virtuele simulaties en het verbeteren van de voorspelbaarheid tijdens opschaling, verminderen deze technologieën de kosten aanzienlijk en maken ze de industrie aantrekkelijker voor investeerders [2][4]. Zoals James Westley, Associate Director bij Cambridge Consultants, opmerkt, verbeteren deze tools de schaalbaarheid, wat cruciaal is voor het aantrekken van investeringen. Deze digitale verschuiving drijft een meer data-gedreven en efficiënt productieproces.
De verschuiving naar Industrie 4.0, gekenmerkt door autonome systemen, wordt een noodzaak voor bedrijven die in deze ruimte willen gedijen [13]. Hybride modellering, die mechanistische fysica met machine learning combineert, maakt voorspellende digitale tweelingen toegankelijker - zelfs voor kleinere bedrijven [2]. Realtime monitoring verhoogt de efficiëntie verder door snelle aanpassingen mogelijk te maken en de kans op batchfouten te verkleinen [2].
De sleutel tot deze transformatie is de adoptie van geavanceerde tools zoals geautomatiseerde inline sensoren, geminiaturiseerde parallelle bioreactoren, high-performance computing en PAT-tools. Platforms zoals
De toekomst van de productie van gekweekt vlees is onmiskenbaar digitaal. Bedrijven die AI omarmen en platforms zoals
Veelgestelde vragen
Welke gegevens heb ik nodig om een nuttige digitale tweeling voor gekweekt vlees te bouwen?
Om een betrouwbare digitale tweeling voor de productie van gekweekt vlees te bouwen, is het cruciaal om nauwkeurige gegevens te verzamelen over zowel biologische als procesparameters. Belangrijke factoren om te monitoren zijn real-time metingen van pH, temperatuur, opgelost zuurstof, glucosewaarden en celgroei. Naast dit speelt informatie over bioreactoromstandigheden, vloeistofdynamica en massatransport een cruciale rol. Hoge frequentie, nauwkeurige gegevensverzameling zorgt ervoor dat de digitale tweeling de bioreactoromgeving nauwkeurig weerspiegelt, waardoor AI processen effectief kan optimaliseren.
Hoe verminderen hybride (grijze doos) modellen het aantal nat-lab experimenten?
Hybride, of grijze doos, modellen combineren mechanistische modellen met machine learning om nauwkeurige virtuele simulaties van processen te creëren. Deze modellen maken effectieve scenario-tests mogelijk en verminderen de noodzaak voor uitgebreide fysieke experimenten. Door te vertrouwen op computationele voorspellingen, helpen ze zowel tijd als middelen te besparen terwijl ze waardevolle inzichten bieden.
Welke sensoren en apparatuur zijn essentieel voor real-time AI-controle in bioreactoren?
Om optimale omstandigheden in bioreactoren te behouden, spelen verschillende sensoren een cruciale rol in real-time monitoring en controle. Deze omvatten:
- Temperatuursensoren (RTD's): Essentieel om de bioreactor op de precieze temperatuur te houden die nodig is voor celgroei.
- pH-sensoren: Verkrijgbaar als glas- of ISFET-types, deze zorgen ervoor dat de zuurgraad of alkaliteit precies goed is voor het proces.
- Opgeloste zuurstofsensoren (optisch): Cruciaal voor het volgen van zuurstofniveaus, die direct invloed hebben op het celmetabolisme.
- Metabolietsensoren: Gebruikt om belangrijke verbindingen zoals glucose en melkzuur te monitoren, wat helpt om de balans te behouden die nodig is voor efficiënte productie.
Deze sensoren werken samen om de gedetailleerde gegevens te leveren die nodig zijn voor AI-systemen om bioprocesomstandigheden fijn af te stemmen, wat het succes van de productie van gekweekt vlees verzekert.
