Skalowanie produkcji mięsa hodowlanego jest kosztowne i czasochłonne. Przejście z małych laboratoriów do komercyjnych bioreaktorów często kończy się niepowodzeniem z powodu nieprzewidywalnych wyników biologicznych. Jednak AI i cyfrowe bliźniaki zmieniają to. Te narzędzia symulują i optymalizują procesy wirtualnie, obniżając koszty i czas rozwoju nawet o 50%. Oto jak:
- Cyfrowe bliźniaki tworzą wirtualne repliki bioreaktorów, symulując warunki takie jak dynamika płynów i dystrybucja składników odżywczych. Przewidują wyniki bez ryzyka dla fizycznego sprzętu.
- Czujniki zasilane AI umożliwiają monitorowanie i dostosowywanie w czasie rzeczywistym, poprawiając wydajność i redukując odpady.
- Firmy takie jak Gourmey wykorzystały te technologie do znacznego obniżenia kosztów produkcji i zmniejszenia wydatków na paszę.
Od optymalizacji wzrostu komórek po zapobieganie awariom sprzętu, AI i cyfrowe bliźniaki kształtują drogę do skalowalnej, opłacalnej produkcji mięsa hodowlanego. Czytaj dalej, aby dowiedzieć się, jak te narzędzia są wdrażane i jaki mają wpływ na branżę.
Wpływ AI i Cyfrowych Bliźniaków na Koszty i Efektywność Produkcji Mięsa Hodowlanego
Zastosowanie AI i Cyfrowych Bliźniaków w Bioprocesach: Pułapki i Ścieżki Rozwiązań dla...
sbb-itb-ffee270
Zalety AI i Cyfrowych Bliźniaków dla Produkcji Mięsa Hodowlanego
AI i cyfrowe bliźniaki mają duży wpływ na produkcję mięsa hodowlanego poprzez poprawę kontroli procesów, obniżenie kosztów i torowanie drogi do komercyjnych operacji na dużą skalę.
Ulepszona kontrola i monitorowanie bioreaktorów
Cyfrowe bliźniaki pozwalają producentom symulować warunki w bioreaktorach - takie jak geometria, dynamika płynów i ustawienia fizyczne - umożliwiając przeprowadzanie scenariuszy "co-jeśli". Te symulacje pomagają precyzyjnie dostosować kluczowe parametry, takie jak temperatura, poziomy pH i dostarczanie składników odżywczych, bez potrzeby kosztownych fizycznych dostosowań [1] [6] [4].
Sztuczna inteligencja odgrywa kluczową rolę poprzez "miękkie czujniki", które umożliwiają monitorowanie w czasie rzeczywistym zmiennych trudnych do bezpośredniego pomiaru. Wirtualne czujniki szacują szczegóły, takie jak poziomy rozpuszczonego tlenu i stężenie glukozy w obszarach, gdzie fizyczne czujniki zawodzą. Dane z bioreaktorów są stale porównywane z modelami wirtualnymi, co pomaga wykrywać rozbieżności lub wczesne oznaki problemów ze sprzętem.To umożliwia predykcyjną konserwację, jak podkreśla Octocells:
"Przewidując, kiedy maszyna prawdopodobnie ulegnie awarii lub będzie wymagała serwisowania, konserwacja będzie planowana proaktywnie, co zmniejszy przestoje i wydłuży żywotność sprzętu." [1]
Dodatkowo, causal AI pomaga producentom zrozumieć interakcje molekularne, przewidując, jak konkretne molekuły wpłyną na zachowanie komórek [4]. Te możliwości zwiększają niezawodność przy jednoczesnym obniżeniu kosztów, tworząc solidną podstawę do zwiększenia produkcji.
Obniżanie kosztów poprzez optymalizację procesów
Lepsza kontrola nad bioreaktorami bezpośrednio zmniejsza koszty operacyjne poprzez minimalizację odpadów i optymalizację wykorzystania pożywki do hodowli komórek - największego wydatku w produkcji mięsa hodowanego.Bliźniaki cyfrowe umożliwiają wirtualne testowanie zachowania komórek i zmian w pożywkach, co znacznie zmniejsza potrzebę kosztownych eksperymentów w laboratoriach mokrych.
Świetnym przykładem jest Gourmey, francuski start-up, który w czerwcu 2025 roku nawiązał współpracę z firmą biotechnologiczną DeepLife. Razem opracowali cyfrowego bliźniaka komórek drobiowych, analizując dane sekwencjonowania z milionów komórek ptasich i integrując je z danymi o zaburzeniach w pożywkach. Nicolas Morin-Forest, CEO Gourmey, wyjaśnił:
"Optymalizacja tych parametrów zwiększa wydajność, zmniejsza marnotrawstwo paszy, co jest głównym czynnikiem kosztowym w produkcji mięsa hodowlanego, i bezpośrednio obniża koszty produkcji." [4]
Jonathan Baptista, CEO DeepLife, dodał:
"Model jest dostrajany przy użyciu danych Gourmey dotyczących zaburzeń w pożywkach, co pozwala przewidzieć, jak różne cząsteczki wpłyną na zachowanie każdej populacji komórek." [4]
Poza optymalizacją mediów, cyfrowe bliźniaki pomagają również zmniejszyć wydatki kapitałowe. Firmy mogą tworzyć wirtualne repliki fabryk, aby testować układy, rozmieszczenie sprzętu i przepływy pracy przed rozpoczęciem budowy, zapewniając maksymalną wydajność [1]. Te symulacje zapewniają również bezpieczny, opłacalny sposób szkolenia operatorów, przyspieszając gotowość i obniżając koszty szkolenia.
Skalowanie do produkcji komercyjnej
Cyfrowe bliźniaki odgrywają kluczową rolę w skalowaniu operacji z laboratorium do pełnoskalowej produkcji. Ta transformacja często wiąże się z wyzwaniami inżynieryjnymi, szczególnie w zapewnieniu przepływu płynów i dystrybucji składników odżywczych w dużych bioreaktorach. Cyfrowe bliźniaki, w połączeniu z obliczeniową dynamiką płynów (CFD), pomagają optymalizować te czynniki [7].
Symulując projekty i procesy, producenci mogą zniwelować różnicę między eksperymentalnymi ustawieniami a produkcją na dużą skalę. Jak zauważa FUDZS:
"Identyfikując najbardziej efektywny projekt poprzez symulację, inwestorzy zapewnią, że każdy wydany dolar lub euro na budowę przyniesie najwyższy możliwy zwrot z inwestycji!" [1]
Na skalę komercyjną, cyfrowe bliźniaki nadal monitorują wydajność sprzętu w czasie rzeczywistym, porównując ją z wirtualnymi wzorcami, aby wykryć wczesne oznaki zużycia. Takie proaktywne podejście minimalizuje przestoje, zapewniając ciągłą produkcję w celu zaspokojenia popytu rynkowego [1].
Symulacje oparte na AI również przyspieszają badania i rozwój, zmniejszając zależność od tradycyjnych eksperymentów laboratoryjnych. Pozwala to producentom szybko udoskonalać linie komórkowe, formuły mediów i procesy produkcyjne, pozostając w ramach budżetu i harmonogramu.
Jak wdrożyć AI i cyfrowe bliźniaki w automatyzacji procesów biotechnologicznych
Wprowadzenie AI i cyfrowych bliźniaków do produkcji mięsa hodowlanego wymaga solidnych podstaw w zarządzaniu danymi, technikach modelowania hybrydowego oraz odpowiednim sprzęcie. Punktem wyjścia jest zbudowanie warstwy danych, która przesyła kluczowe dane z bioreaktora - takie jak pH, rozpuszczony tlen, moment obrotowy, prędkość mieszania i masa paszy - do systemu archiwizacji danych zakładowych. Ten krok stanowi podstawę dla skutecznego wdrożenia [5] .
Kolejna faza polega na stworzeniu modelu hybrydowego. To podejście łączy zasady mechanistyczne, takie jak bilanse masy i szybkości transferu tlenu, z algorytmami uczenia maszynowego. Znany jako model "szarej skrzynki", wykracza poza tradycyjne metody oparte na fizyce, aby lepiej przewidywać złożone zachowania biologiczne.Jako James Westley, Associate Director w Cambridge Consultants, stwierdza:
"Podejście zaczyna się od uzupełnienia AI o 'prawdziwą inteligencję'... łączenie AI z wiedzą domenową w celu zmniejszenia liczby eksperymentów – z niskich tysięcy do wysokich dziesiątek" [2].
Dzięki zmniejszeniu liczby potrzebnych eksperymentów, ta metoda może znacząco obniżyć koszty przy jednoczesnym zachowaniu dokładności. Gdy fundament jest już gotowy, uwaga skupia się na szkoleniu cyfrowego bliźniaka i integracji go z kontrolą procesów w czasie rzeczywistym.
Szkolenie Cyfrowych Bliźniaków z Danymi Eksperymentalnymi
Aby cyfrowy bliźniak działał skutecznie, potrzebuje jakościowych danych z eksperymentów fizycznych. Tradycyjne modele często wymagają setek, a nawet tysięcy punktów danych.Jednakże modelowanie hybrydowe upraszcza to poprzez włączenie znanych relacji fizycznych i chemicznych, takich jak wpływ zwiększonego CO₂ na pH, zmniejszając obciążenie danymi [2] .
Użycie projektowania eksperymentów (DoE) wspomaganego przez AI z optymalizacją bayesowską dodatkowo usprawnia proces. Ta metoda priorytetowo traktuje najbardziej informacyjne eksperymenty, unikając nieefektywności prób i błędów. Na przykład, w jednym badaniu, naukowcy przeszkolili model hybrydowy używając zaledwie 21 eksperymentów i zweryfikowali go za pomocą 6 dodatkowych testów. Model dokładnie przewidział wzrost biomasy i zużycie glukozy [8] .
Te zalety nie są tylko teoretyczne. W czerwcu 2025 roku francuski start-up Gourmey połączył siły z firmą biotechnologiczną DeepLife, aby opracować cyfrowego bliźniaka do produkcji hodowanego drobiu.Analizując dane sekwencjonowania z milionów komórek ptasich i integrując je z dużymi modelami językowymi (LLM), symulowali mechanizmy wewnątrzkomórkowe. Pozwoliło im to na optymalizację formuł pasz wirtualnie przed przeprowadzeniem fizycznych eksperymentów. Jak wyjaśnił Nicolas Morin-Forest, CEO Gourmey:
"Łącząc zastrzeżoną platformę hodowli komórek Gourmey i zaawansowane narzędzia analityczne z wiodącą technologią cyfrowych bliźniaków DeepLife, możemy teraz symulować i optymalizować każdy etap produkcji" [4].
Takie metody nie tylko obniżają koszty, ale także zwiększają kontrolę nad procesem produkcji.
Integracja AI dla dostosowań w czasie rzeczywistym
Gdy cyfrowy bliźniak jest wytrenowany, może być używany do sterowania procesem w czasie rzeczywistym poprzez Model Predictive Control (MPC) lub Reinforcement Control (RC).Te systemy dostosowują parametry, takie jak pH, rozpuszczony tlen i szybkość podawania, na podstawie przewidywań bliźniaka [5] . Ten rodzaj sterowania w pętli zamkniętej opiera się na Technologii Analityki Procesów (PAT), z zaawansowanymi czujnikami, takimi jak spektroskopia Ramana lub FTIR, mierzącymi kluczowe metabolity co około 60 sekund [5].
Przed pełną automatyzacją procesów warto przetestować system w "trybie cienia". Pozwala to na porównanie rekomendacji AI z decyzjami operatora bez ryzyka, budując zaufanie do możliwości systemu [5]. Na przykład, Elise Biopharma użyła cyfrowego bliźniaka z MPC w procesie fed-batch o pojemności 1000 litrów. To ujawniło problemy z transferem tlenu spowodowane lepkością bulionu. Poprzez zrównoważenie mieszania i ciśnienia wstecznego, system rozwiązał problem i poprawił wydajność [5].
Aby zapewnić sukces, sprzęt musi wspierać ciągłe przesyłanie danych i dwukierunkowy przepływ informacji. "Miękkie czujniki" zasilane przez AI są tutaj szczególnie cenne, ponieważ wnioskują o zmiennych, które są trudne do bezpośredniego pomiaru, oferując wgląd poza zasięgiem fizycznych czujników [5].
Użycie Cellbase do Zakupu Sprzętu
Skalowanie AI i cyfrowych bliźniaków z laboratorium do produkcji komercyjnej wymaga specjalistycznego sprzętu, którego ogólni dostawcy laboratoryjni mogą nie zapewniać. Niezbędny sprzęt obejmuje bioreaktory z zintegrowaną łącznością danych, zaawansowane czujniki inline, takie jak sondy Ramana i FTIR, spektrometry masowe gazów wylotowych oraz wielostudzienkowe równoległe bioreaktory z mikrofluidyką. Dodatkowo, pożywki wzrostowe muszą być starannie śledzone, ponieważ zmiany w ich składzie mogą znacząco wpływać na reakcje biologiczne [2][5].
Dla firm skalujących procesy mięsa hodowlanego od badań do produkcji komercyjnej,
Studium przypadku: Cyfrowe bliźniaki i AI w produkcji mięsa hodowlanego
DeepLife-Gourmey Cyfrowy bliźniak ptaków
To studium przypadku zagłębia się w to, jak technologia AI i cyfrowych bliźniaków przekształca przemysł mięsa hodowlanego, koncentrując się na współpracy między francuską firmą produkującą mięso hodowlane Gourmey a firmą biotechnologiczną DeepLife.
W czerwcu 2025 roku Gourmey i DeepLife zaprezentowały pierwszego cyfrowego bliźniaka ptaków - wirtualny model komórek drobiu mający na celu optymalizację warunków wzrostu. Projekt koncentrował się na zarodkowych komórkach macierzystych kaczki, zbierając dane multi-omikowe przez siedem dni. Dane te były analizowane za pomocą dużych modeli językowych, które identyfikowały mechanizmy wewnątrzkomórkowe i przewidywały, jak różne cząsteczki wpływają na zachowanie komórek [4] [9].
Cyfrowy bliźniak wykorzystuje AI przyczynowo-skutkową do mapowania relacji przyczynowo-skutkowych w komórkach. Ramy Target-Action-Metabolite (TAM) łączą wyniki komórkowe, takie jak poprawiona żywotność komórek lub zwiększona synteza tłuszczu, z określonymi metabolitami i parametrami procesów [9]. Pozwala to na przeprowadzenie tysięcy wirtualnych eksperymentów, co skraca kosztowne i czasochłonne próby laboratoryjne. Uzyskane wnioski doprowadziły do mierzalnych postępów w produkcji.
Jednym z wyróżniających się odkryć była rola oleoil-lizofosfatydowego kwasu (LPA). AI zasugerowała, że LPA może aktywować gen regulujący energię SIRT6, zwiększając żywotność komórek i równoważąc poziomy lipidów. To umożliwiło optymalizację mediów bez potrzeby modyfikacji genetycznych [9]. Nicolas Morin-Forest, CEO Gourmey, podkreślił wpływ tej technologii:
"Integracja technologii cyfrowego bliźniaka DeepLife do naszej platformy pozwala nam modelować, jak komórki ptasie reagują na różne warunki hodowli przed wejściem do laboratorium. To przyspiesza nasze cykle B&R, zmniejsza zależność od kosztownych prób i błędów, a ostatecznie zwiększa naszą zdolność do optymalizacji ekonomiki produkcji na dużą skalę" [10].
Wyniki są imponujące. Gourmey informuje o osiągnięciu wyjątkowo niskiego kosztu produkcji na skalę komercyjną 5 000 litrów, według niezależnej oceny techno-ekonomicznej [10]. Dodatkowo firma twierdzi, że znacznie obniżyła koszt swojego bezpiecznego dla żywności paszy [10]. Z ponad 65 milionami euro finansowania, 60-osobowy zespół Gourmey w Paryżu nadal udoskonala cyfrowego bliźniaka, wykorzystując go do poprawy aspektów sensorycznych, takich jak intensywność umami i struktura tłuszczu. Ta współpraca pokazuje, jak AI i cyfrowe bliźniaki mogą dostarczać skalowalne i znaczące postępy w produkcji mięsa hodowlanego [10].
Wyzwania i przyszłe trendy w AI i cyfrowych bliźniakach dla bioprocesów
Wyzwania związane z wdrożeniem i wymagania dotyczące danych
Tworzenie cyfrowego bliźniaka dla produkcji mięsa hodowlanego to nie lada wyzwanie. Opracowanie uniwersalnego modelu AI dla bioprocesów wymaga rozległych zbiorów danych - od setek do tysięcy punktów danych. Ten proces nie tylko jest czasochłonny, ale może również kosztować miliony i zająć lata [2]. Wyzwanie tkwi w samej biologii, gdzie co najmniej dziesięć zmiennych procesowych oddziałuje w wysoce złożony, nieliniowy sposób [2].
Infrastruktura potrzebna do wsparcia tego przedsięwzięcia jest równie wymagająca. Firmy potrzebują automatyzacji laboratoryjnej o wysokiej przepustowości do przygotowania pożywek, bioreaktorów wyposażonych w czujniki monitorowania w czasie rzeczywistym (śledzące pH, temperaturę, rozpuszczony tlen i składniki odżywcze) oraz systemów komputerowych o wysokiej wydajności do obsługi symulacji AI [11] . Dodatkowo, koszt materiałów pozostaje przeszkodą - surowica płodowa bydlęca i mikronośniki do dużych zbiorników bioreaktorów mogą być szczególnie kosztowne [11]. Kolejną istotną barierą jest brak zestawów danych specyficznych dla ptaków, co ogranicza zdolność modeli AI do uogólniania na różne gatunki drobiu [12].
Aby pokonać te przeszkody, firmy przyjmują modelowanie hybrydowe - metodę łączącą AI z wiedzą dziedzinową i fizyką pierwszych zasad. Poprzez integrację znanych relacji, takich jak odwrotna korelacja między poziomami CO₂ a pH, te modele mogą znacznie zmniejszyć liczbę wymaganych eksperymentów fizycznych [2][13] . Pokonywanie tych wyzwań jest kluczowe dla pełnego wykorzystania automatyzacji opartej na AI w sektorze mięsa hodowlanego. Pomimo trudności, pojawiające się trendy torują drogę do transformacyjnych zmian w automatyzacji bioprocesów.
Przyszłe trendy w automatyzacji bioprocesów napędzanej AI
Przemysł odpowiada na te wyzwania zaawansowanymi innowacjami.Globalny rynek AI w mięsie hodowlanym ma wzrosnąć z £70 milionów w 2025 roku do imponujących £2,500 milionów do 2035 roku, z rocznym tempem wzrostu wynoszącym 42,7% [11]. Wzrost ten napędzają liczne kluczowe trendy. Na przykład, zintegrowane z AI bioprinting 3D optymalizuje formuły materiałów i parametry drukowania, aby tworzyć struktury rusztowań, które odtwarzają teksturę naturalnego mięsa [11]. Podobnie, systemy predykcyjnego utrzymania ruchu są wdrażane do monitorowania warunków w bioreaktorach, pomagając przewidywać i zapobiegać problemom takim jak awarie partii czy zanieczyszczenia [11][12] .
W styczniu 2025 roku Chiny podjęły odważny krok, uruchamiając 'Bazę Innowacji w Dziedzinie Nauki i Technologii Nowej Żywności Białkowej' w Pekinie, wspieraną przez znaczące inwestycje.Ta placówka integruje technologie AI i blockchain, aby umożliwić monitorowanie w czasie rzeczywistym i śledzenie w całym procesie produkcji mięsa hodowlanego, od badań po sprzedaż detaliczną [11]. Mniej więcej w tym samym czasie izraelski start-up Aleph Farms zdobył dodatkowe fundusze na rozwój swojej pilotażowej placówki napędzanej przez AI i dążenie do komercjalizacji opłacalnych steków hodowlanych w całości [11].
Patrząc w przyszłość, oczekuje się, że cyfrowe bliźniaki będą się rozwijać poza samym zwiększaniem wydajności. Mają na celu poprawę cech sensorycznych - modelowanie lotnych związków, białek i lipidów w celu udoskonalenia smaku i tekstury mięsa hodowlanego [3]. Wzrost otwartych centrów AI , takich jak AI4CM Hub, również sprzyja współpracy i innowacjom w tej dziedzinie [11]. W miarę postępu tych technologii, firmy inwestujące w zautomatyzowane czujniki inline, zminiaturyzowane równoległe bioreaktory i hybrydowe modele AI będą lepiej przygotowane do efektywnego skalowania produkcji, jednocześnie poruszając się po krajobrazie regulacyjnym. Osiągnięcie skalowalnej i opłacalnej uprawy będzie kluczem do sukcesu komercyjnego w tej szybko rozwijającej się branży.
Wniosek
AI i cyfrowe bliźniaki przekształcają automatyzację bioprocesów w produkcji mięsa hodowlanego. Poprzez udoskonalanie formuł paszowych, przyspieszanie badań za pomocą symulacji wirtualnych i poprawę przewidywalności podczas skalowania, technologie te znacznie obniżają koszty i czynią branżę bardziej atrakcyjną dla inwestorów [2][4]. Jak zauważa James Westley, Associate Director w Cambridge Consultants, te narzędzia zwiększają skalowalność, co jest kluczowe dla przyciągania inwestycji.Ta cyfrowa zmiana napędza bardziej oparty na danych i wydajny proces produkcji.
Przejście w kierunku Przemysłu 4.0, charakteryzującego się autonomicznymi systemami, staje się koniecznością dla firm dążących do rozwoju w tej przestrzeni [13]. Modelowanie hybrydowe, które łączy mechanistyczną fizykę z uczeniem maszynowym, sprawia, że predykcyjne cyfrowe bliźniaki stają się bardziej dostępne - nawet dla mniejszych firm [2]. Monitorowanie w czasie rzeczywistym dodatkowo zwiększa wydajność, umożliwiając szybkie dostosowania i zmniejszając prawdopodobieństwo niepowodzeń partii [2].
Kluczowe dla tej transformacji jest przyjęcie zaawansowanych narzędzi, takich jak zautomatyzowane czujniki inline, zminiaturyzowane równoległe bioreaktory, komputery o wysokiej wydajności i narzędzia PAT. Platformy takie jak
Przyszłość produkcji mięsa hodowlanego jest niewątpliwie cyfrowa. Firmy, które przyjmują AI i wykorzystują platformy takie jak
FAQs
Jakie dane są potrzebne do stworzenia użytecznego cyfrowego bliźniaka dla mięsa hodowlanego?
Aby zbudować niezawodnego cyfrowego bliźniaka dla produkcji mięsa hodowlanego, kluczowe jest zebranie precyzyjnych danych zarówno o parametrach biologicznych, jak i procesowych. Kluczowe czynniki do monitorowania obejmują pomiary w czasie rzeczywistym pH, temperatury, rozpuszczonego tlenu, poziomów glukozy i wzrostu komórek. Obok tego, informacje o warunkach bioreaktora, dynamice płynów i transferze masy odgrywają kluczową rolę. Wysokoczęstotliwościowe, dokładne zbieranie danych zapewnia, że cyfrowy bliźniak dokładnie odzwierciedla środowisko bioreaktora, umożliwiając AI skuteczną optymalizację procesów.
W jaki sposób modele hybrydowe (szare pudełko) zmniejszają liczbę eksperymentów laboratoryjnych?
Modele hybrydowe, czyli szare pudełko, łączą modele mechanistyczne z uczeniem maszynowym, tworząc dokładne wirtualne symulacje procesów. Te modele pozwalają na skuteczne testowanie scenariuszy i zmniejszają potrzebę przeprowadzania rozległych eksperymentów fizycznych. Polegając na przewidywaniach obliczeniowych, pomagają oszczędzać czas i zasoby, jednocześnie oferując cenne wglądy.
Jakie czujniki i sprzęt są niezbędne do kontroli AI w czasie rzeczywistym w bioreaktorach?
Aby utrzymać optymalne warunki w bioreaktorach, kilka czujników odgrywa kluczową rolę w monitorowaniu i kontroli w czasie rzeczywistym.Te obejmują:
- Czujniki temperatury (RTD): Niezbędne do utrzymania bioreaktora w precyzyjnej temperaturze wymaganej do wzrostu komórek.
- Czujniki pH: Dostępne w wersjach szklanych lub ISFET, zapewniają odpowiedni poziom kwasowości lub zasadowości dla procesu.
- Czujniki tlenu rozpuszczonego (optyczne): Kluczowe dla śledzenia poziomów tlenu, które bezpośrednio wpływają na metabolizm komórek.
- Czujniki metabolitów: Używane do monitorowania kluczowych związków, takich jak glukoza i kwas mlekowy, pomagając utrzymać równowagę potrzebną do efektywnej produkcji.
Te czujniki współpracują, aby dostarczać szczegółowe dane potrzebne systemom AI do precyzyjnego dostosowywania warunków bioprocesu, zapewniając sukces produkcji mięsa hodowanego.
