Att skala upp produktionen av odlat kött är dyrt och tidskrävande. Att gå från små laboratorieuppsättningar till kommersiella bioreaktorer misslyckas ofta på grund av oförutsägbara biologiska resultat. Men AI och digitala tvillingar förändrar detta. Dessa verktyg simulerar och optimerar processer virtuellt, vilket minskar kostnader och utvecklingstid med upp till 50 %. Så här:
- Digitala tvillingar skapar virtuella kopior av bioreaktorer, simulerar förhållanden som vätskedynamik och näringsfördelning. De förutspår resultat utan att riskera fysisk utrustning.
- AI-drivna sensorer möjliggör övervakning och justeringar i realtid, vilket förbättrar effektiviteten och minskar avfall.
- Företag som Gourmey har använt dessa teknologier för att sänka produktionskostnaderna till €7/kg (£6/kg) och minska foderkostnaderna till €0.20/liter (£0.17/liter).
Från att optimera celltillväxt till att förhindra utrustningsfel, omformar AI och digitala tvillingar vägen till skalbar, kostnadseffektiv odlad köttproduktion. Fortsätt läsa för att lära dig hur dessa verktyg implementeras och deras påverkan på branschen.
AI och digitala tvillingars påverkan på kostnader och effektivitet i odlad köttproduktion
Tillämpning av AI och digitala tvillingar för bioprocessering: Fallgropar och lösningsvägar för...
sbb-itb-ffee270
Fördelar med AI och digitala tvillingar för odlad köttproduktion
AI och digitala tvillingar har en stor påverkan på odlad köttproduktion genom att förbättra processkontroll, sänka kostnader och bana väg för storskaliga kommersiella operationer.
Förbättrad bioreaktorkontroll och övervakning
Digitala tvillingar gör det möjligt för producenter att simulera bioreaktorförhållanden - såsom geometri, vätskedynamik och fysiska inställningar - vilket gör det möjligt att köra "tänk om"-scenarier. Dessa simuleringar hjälper till att finjustera kritiska parametrar som temperatur, pH-nivåer och näringstillförsel utan behov av kostsamma fysiska justeringar [1] [6] [4].
AI spelar en nyckelroll genom "mjuk mätning", vilket möjliggör realtidsövervakning av variabler som är svåra att mäta direkt. Virtuella sensorer uppskattar detaljer som lösta syrenivåer och glukoskoncentration i områden där fysiska sensorer inte räcker till. Data från bioreaktorer jämförs ständigt med virtuella modeller, vilket hjälper till att upptäcka avvikelser eller tidiga tecken på utrustningsproblem.Detta möjliggör prediktivt underhåll, som framhävs av Octocells:
"Genom att förutse när en maskin sannolikt kommer att gå sönder eller behöva service, kan underhåll planeras proaktivt, vilket minskar stilleståndstiden och förlänger utrustningens livslängd." [1]
Dessutom hjälper kausal AI producenter att förstå molekylära interaktioner, förutsäga hur specifika molekyler kommer att påverka cellbeteende [4]. Dessa kapaciteter ökar tillförlitligheten samtidigt som de minskar kostnaderna, vilket skapar en solid grund för att skala upp produktionen.
Minska kostnader genom processoptimering
Bättre kontroll över bioreaktorer minskar direkt driftskostnaderna genom att minimera avfall och optimera användningen av cellodlingsmedia - den största utgiften i produktionen av odlat kött. Digitala tvillingar möjliggör virtuell testning av cellbeteende och medieförändringar, vilket avsevärt minskar behovet av dyra våtlaboratorieexperiment.
Ett utmärkt exempel kommer från Gourmey, en fransk start-up som samarbetade med bioteknikföretaget DeepLife i juni 2025. Tillsammans utvecklade de en digital tvilling av fjäderfäceller genom att analysera sekvenseringsdata från miljontals fågelceller och integrera det med data om medieförändringar. Nicolas Morin-Forest, VD för Gourmey, förklarade:
"Optimering av dessa parametrar ökar avkastningen, minskar foderavfall, vilket är en primär kostnadsdrivare i odlat kött, och sänker direkt produktionskostnaderna." [4]
Jonathan Baptista, VD för DeepLife, noterade vidare:
"Modellen finjusteras med Gourmey-data om medieförändringar, vilket gör det möjligt att förutsäga hur olika molekyler kommer att påverka beteendet hos varje cellpopulation." [4]
Utöver medieoptimering hjälper digitala tvillingar också till att minska kapitalutgifter. Företag kan skapa virtuella fabrikskopior för att testa layouter, utrustningsplaceringar och arbetsflöden innan byggnationen börjar, vilket säkerställer maximal effektivitet [1]. Dessa simuleringar ger också ett säkert, kostnadseffektivt sätt att träna operatörer, vilket påskyndar beredskapen och sänker utbildningskostnaderna.
Skalning upp till kommersiell produktion
Digitala tvillingar spelar en avgörande roll i att skala upp verksamheten från labb till fullskalig produktion. Denna övergång kommer ofta med ingenjörsutmaningar, särskilt när det gäller att säkerställa vätskeflöde och näringsfördelning i stora bioreaktorer. Digitala tvillingar, i kombination med beräkningsvätskedynamik (CFD), hjälper till att optimera dessa faktorer [7].
Genom att simulera design och processer kan producenter överbrygga klyftan mellan experimentella uppställningar och storskalig tillverkning. Som FUDZS påpekar:
"Genom att identifiera den mest effektiva designen genom simulering, kommer investerare att säkerställa att varje dollar eller euro som spenderas på konstruktion ger den högsta möjliga avkastningen på investeringen!" [1]
På kommersiell skala fortsätter digitala tvillingar att övervaka utrustningens prestanda i realtid, jämföra den med virtuella riktmärken för att upptäcka tidiga tecken på slitage. Detta proaktiva tillvägagångssätt minimerar stillestånd, vilket säkerställer kontinuerlig produktion för att möta marknadens efterfrågan [1].
AI-drivna simuleringar påskyndar också forskning och utveckling genom att minska beroendet av traditionella våtlaboratorieexperiment. Detta gör det möjligt för producenter att snabbt förfina cellinjer, medieformler och produktionsprocesser samtidigt som de håller sig inom budget och tidsplan.
Hur man implementerar AI och digitala tvillingar i bioprocessautomation
Att införa AI och digitala tvillingar i produktionen av odlat kött kräver en stark grund i datamanagement, hybridmodelleringsmetoder och lämplig hårdvara. Startpunkten är att bygga ett datalager som strömmar kritiska bioreaktordata - såsom pH, löst syre, vridmoment, omrörningshastighet och fodermassa - till en anläggningshistorik. Detta steg lägger grunden för effektiv implementering [5] .
Nästa fas innebär att skapa en hybridmodell. Denna metod kombinerar mekanistiska principer, som massbalanser och syreöverföringshastigheter, med maskininlärningsalgoritmer. Känd som en "grå låda"-modell, går den bortom traditionella fysikbaserade metoder för att bättre förutsäga komplexa biologiska beteenden.Som James Westley, Associate Director på Cambridge Consultants, uttrycker det:
"Tillvägagångssättet börjar med att komplettera AI med 'verklig intelligens'... kombinera AI med domänexpertis för att minska antalet experiment – från låga tusental till höga tiotal" [2].
Genom att minska antalet nödvändiga experiment kan denna metod avsevärt sänka kostnaderna samtidigt som noggrannheten bibehålls. När grunden är på plats, skiftar fokus till att träna den digitala tvillingen och integrera den i realtidsprocesskontroll.
Träna Digitala Tvillingar med Experimentdata
För att en digital tvilling ska fungera effektivt, behöver den kvalitetsdata från fysiska experiment. Traditionella modeller kräver ofta hundratals eller till och med tusentals datapunkter.Men hybridmodellering förenklar detta genom att integrera kända fysiska och kemiska samband, som hur ökad CO₂ påverkar pH, vilket minskar databelastningen [2] .
Genom att använda AI-styrd design av experiment (DoE) med Bayesiansk optimering effektiviseras processen ytterligare. Denna metod prioriterar de mest informativa experimenten och undviker ineffektiviteten med försök och misstag. Till exempel, i en studie tränade forskare en hybridmodell med bara 21 experiment och validerade den med 6 ytterligare tester. Modellen förutsade noggrant biomassetillväxt och glukoskonsumtion [8] .
Dessa fördelar är inte bara teoretiska. I juni 2025 samarbetade det franska start-up-företaget Gourmey med bioteknikföretaget DeepLife för att utveckla en digital tvilling för odlad fjäderfäproduktion.Genom att analysera sekvenseringsdata från miljontals fågelceller och integrera det i stora språkmodeller (LLMs), simulerade de intracellulära mekanismer. Detta gjorde det möjligt för dem att optimera foderformuleringar virtuellt innan de genomförde fysiska experiment. Som Nicolas Morin-Forest, VD för Gourmey, förklarade:
"Genom att kombinera Gourmeys egenutvecklade cellodlingsplattform och avancerade analytiska verktyg med DeepLifes ledande digitala tvillingteknologi, kan vi nu simulera och optimera varje produktionssteg" [4].
Sådana metoder minskar inte bara kostnaderna utan förbättrar också kontrollen över produktionsprocessen.
Integrering av AI för justeringar i realtid
När en digital tvilling är tränad kan den användas för realtidsprocesskontroll genom Model Predictive Control (MPC) eller Reinforcement Control (RC).Dessa system justerar parametrar som pH, löst syre och matningshastigheter baserat på tvillingens förutsägelser [5] . Denna typ av sluten styrning förlitar sig på Process Analytical Technology (PAT), med avancerade sensorer som Raman eller FTIR-spektroskopi som mäter nyckelmetaboliter ungefär var 60:e sekund [5].
Innan processer automatiseras fullt ut är det klokt att testa systemet i "skuggläge". Detta gör det möjligt att jämföra AI-rekommendationer med operatörsbeslut utan risk, vilket bygger förtroende för systemets kapabiliteter [5]. Till exempel använde Elise Biopharma en digital tvilling med MPC i en 1 000-liters fed-batch-process. Detta avslöjade syreöverföringsproblem orsakade av buljongens viskositet. Genom att balansera om omrörning och mottryck löste systemet problemet och förbättrade avkastningen [5].
För att säkerställa framgång måste utrustningen stödja kontinuerlig datastreaming och tvåvägs informationsflöde. AI-drivna "mjuka sensorer" är särskilt värdefulla här, eftersom de härleder variabler som är svåra att mäta direkt och erbjuder insikter bortom räckvidden för fysiska sensorer [5].
Använda Cellbase för utrustningsupphandling
Att skala AI och digitala tvillingar från labb till kommersiell produktion kräver specialiserad hårdvara som allmänna labbleverantörer kanske inte tillhandahåller. Nödvändig utrustning inkluderar bioreaktorer med integrerad datakonnektivitet, avancerade inline-sensorer som Raman- och FTIR-prober, off-gas masspektrometrar och multi-well parallella bioreaktorer med mikrofluidik. Dessutom måste tillväxtmedier noggrant spåras, eftersom variationer i sammansättning kan påverka biologiska svar avsevärt [2][5].
För företag som skalar upp processer för odlat kött från forskning till kommersiell produktion,
Fallstudie: Digitala Tvillingar och AI i Odlad Köttproduktion
DeepLife-Gourmey Avian Digital Twin
Denna fallstudie utforskar hur AI och digital tvillingteknik omvandlar den odlade köttindustrin, med fokus på ett samarbete mellan det franska odlade köttföretaget Gourmey och bioteknikföretaget DeepLife.
I juni 2025 presenterade Gourmey och DeepLife den första aviära digitala tvillingen - en virtuell modell av fjäderfäceller som syftar till att optimera tillväxtförhållanden. Projektet fokuserade på embryonala stamceller från anka och samlade in multi-omikdata under sju dagar. Denna data analyserades med hjälp av stora språkmodeller, som identifierade intracellulära mekanismer och förutsade hur olika molekyler påverkar cellbeteende [4] [9].
Den digitala tvillingen använder kausal AI för att kartlägga orsak-och-verkan-relationer inom celler. Ett Target-Action-Metabolite (TAM) ramverk kopplar cellulära resultat, som förbättrad cellviabilitet eller ökad fettsyntes, till specifika metaboliter och processparametrar [9]. Detta möjliggör tusentals virtuella experiment, vilket minskar behovet av dyra och tidskrävande våtlaboratorieförsök. De insikter som erhållits har lett till mätbara produktionsförbättringar.
En framstående upptäckt var rollen av oleoyl-lysophosphatidic acid (LPA). AI:n föreslog att LPA kunde aktivera det energireglerande genen SIRT6, vilket ökar cellviabiliteten och balanserar lipidnivåerna. Detta möjliggjorde medieoptimering utan behov av genetiska modifieringar [9]. Nicolas Morin-Forest, VD för Gourmey, betonade teknikens påverkan:
"Genom att integrera DeepLifes digitala tvillingteknologi i vår plattform kan vi modellera hur fågelceller reagerar på olika odlingsförhållanden innan vi går in i labbet. Detta påskyndar våra R&D-cykler, minskar beroendet av kostsamma försök och misstag, och skärper slutligen vår förmåga att optimera produktionskostnader i stor skala" [10].
Resultaten är imponerande. Gourmey har uppnått en produktionskostnad på €7/kg (ungefär £6/kg) vid en kommersiell skala på 5 000 liter - den lägsta siffran som registrerats i en oberoende teknisk-ekonomisk bedömning hittills [10]. Dessutom har företaget sänkt sitt pris på livsmedelssäkert foder till cirka €0.20 per liter (ungefär £0.17 per liter) [10]. Med över €65 miljoner i finansiering fortsätter Gourmeys 60-personers team i Paris att förfina den digitala tvillingen, och använder den för att förbättra sensoriska aspekter som umami-intensitet och fettstruktur. Detta samarbete visar hur AI och digitala tvillingar kan leverera skalbara och betydande framsteg inom produktion av odlat kött [10].
Utmaningar och framtida trender inom AI och digitala tvillingar för bioprocessering
Adoptionsutmaningar och data krav
Att skapa en digital tvilling för produktion av odlat kött är ingen liten bedrift. Att utveckla en allmän AI-modell för bioprocessering kräver omfattande datamängder - hundratals till tusentals datapunkter. Denna process är inte bara tidskrävande; den kan också kosta miljoner och ta år att slutföra [2]. Utmaningen ligger i biologin själv, där minst tio processvariabler interagerar på mycket komplexa, icke-linjära sätt [2].
Den infrastruktur som behövs för att stödja denna strävan är lika krävande. Företag behöver högkapacitets labbautomatisering för medieförberedelse, bioreaktorer utrustade med realtidsövervakningssensorer (som spårar pH, temperatur, löst syre och näringsämnen), och högpresterande datorsystem för att hantera AI-simuleringar [11] . Dessutom kvarstår kostnaden för material som ett hinder - fetalt bovint serum, till exempel, är prissatt till £70 per 50 ml , medan mikrobärare för en 2 000-liters bioreaktortank kostar omkring £13 000 [11] . En annan betydande barriär är bristen på fågelspecifika dataset, vilket begränsar AI-modellernas förmåga att generalisera över olika fjäderfäarter [12].
För att övervinna dessa hinder, antar företag hybridmodellering - en metod som blandar AI med domänexpertis och förstaprincipfysik. Genom att integrera kända samband, såsom det omvända sambandet mellan CO₂-nivåer och pH, kan dessa modeller avsevärt minska antalet fysiska experiment som krävs [2][13] . Att hantera dessa utmaningar är avgörande för att fullt ut utnyttja AI-driven automation inom sektorn för odlat kött. Trots svårigheterna banar framväxande trender väg för transformativa förändringar inom bioprocessautomation.
Framtida trender inom AI-driven bioprocessautomation
Branschen svarar på dessa utmaningar med banbrytande innovationer. Den globala AI-marknaden för odlat kött förväntas växa från £70 miljoner år 2025 till imponerande £2 500 miljoner år 2035, med en årlig tillväxttakt på 42,7 % [11]. Flera viktiga trender driver denna expansion. Till exempel AI-integrerad 3D-bioprinting optimerar materialformuleringar och utskriftsparametrar för att skapa ställningsstrukturer som replikerar texturen av naturligt kött [11]. På samma sätt används prediktivt underhåll system för att övervaka bioreaktorförhållanden, vilket hjälper till att förutse och förhindra problem som batchfel eller kontaminering [11][12] .
I januari 2025 tog Kina ett djärvt steg genom att lansera 'New Protein Food Science and Technology Innovation Base' i Peking, med stöd av en investering på 9 miljoner pund. Denna anläggning integrerar AI och blockkedjetekniker för att möjliggöra realtidsövervakning och spårbarhet genom hela processen för odlat kött, från forskning till detaljhandel [11]. Ungefär samtidigt säkrade den israeliska start-upen Aleph Farms 24 miljoner pund i finansiering för att förbättra sin AI-drivna pilotanläggning och arbeta mot att kommersialisera kostnadseffektiva helskurna odlade biffar [11].
Framåt förväntas digitala tvillingar utvecklas bortom att bara förbättra avkastningen. De syftar till att förbättra sensoriska attribut - modellering av flyktiga föreningar, proteiner och lipider för att förfina smaken och texturen av odlat kött [3]. Framväxten av öppen källkod AI-hubbar, som AI4CM Hub, främjar också samarbete och innovation inom detta område [11]. Allt eftersom dessa teknologier utvecklas kommer företag som investerar i automatiserade inline-sensorer, miniatyriserade parallella bioreaktorer och hybrida AI-modeller att vara bättre rustade för att effektivt skala upp produktionen samtidigt som de navigerar i regulatoriska landskap. Att uppnå skalbar och kostnadseffektiv odling kommer att vara nyckeln till kommersiell framgång i denna snabbt framväxande industri.
Slutsats
AI och digitala tvillingar omformar bioprocessautomation i produktionen av odlat kött.Genom att förfina foderformuleringar, påskynda forskning med virtuella simuleringar och förbättra förutsägbarheten under uppskalning, minskar dessa teknologier avsevärt kostnaderna och gör branschen mer attraktiv för investerare [2][4]. Som James Westley, Associate Director på Cambridge Consultants, påpekar, förbättrar dessa verktyg skalbarheten, vilket är avgörande för att locka investeringar. Denna digitala förändring driver en mer datadriven och effektiv produktionsprocess.
Övergången till Industri 4.0, kännetecknad av autonoma system, blir en nödvändighet för företag som strävar efter att blomstra inom detta område [13]. Hybridmodellering, som blandar mekanistisk fysik med maskininlärning, gör prediktiva digitala tvillingar mer tillgängliga - även för mindre företag [2]. Realtidsövervakning ökar ytterligare effektiviteten genom att möjliggöra snabba justeringar och minska risken för batchfel [2].
Nyckeln till denna transformation är antagandet av avancerade verktyg som automatiserade inline-sensorer, miniatyriserade parallella bioreaktorer, högpresterande databehandling och PAT-verktyg. Plattformar som
Framtiden för produktion av odlat kött är utan tvekan digital. Företag som omfamnar AI och utnyttjar plattformar som
Vanliga frågor
Vilken data behöver jag för att bygga en användbar digital tvilling för odlat kött?
För att bygga en pålitlig digital tvilling för produktion av odlat kött är det avgörande att samla in exakt data om både biologiska och processparametrar. Viktiga faktorer att övervaka inkluderar realtidsmätningar av pH, temperatur, löst syre, glukosnivåer och celltillväxt. Parallellt med detta spelar information om bioreaktorförhållanden, vätskedynamik och massöverföring en viktig roll. Högfrekvent, noggrann datainsamling säkerställer att den digitala tvillingen speglar bioreaktormiljön noggrant, vilket gör det möjligt för AI att optimera processer effektivt.
Hur minskar hybridmodeller (gråbox) antalet våtlaboratorieexperiment?
Hybrid- eller gråboxmodeller kombinerar mekanistiska modeller med maskininlärning för att skapa exakta virtuella simuleringar av processer.Dessa modeller möjliggör effektiv scenariotestning och minskar behovet av omfattande fysiska experiment. Genom att förlita sig på beräkningsprognoser hjälper de till att spara både tid och resurser samtidigt som de erbjuder värdefulla insikter.
Vilka sensorer och utrustning är nödvändiga för realtids-AI-kontroll i bioreaktorer?
För att upprätthålla optimala förhållanden i bioreaktorer spelar flera sensorer en kritisk roll i realtidsövervakning och kontroll. Dessa inkluderar:
- Temperatursensorer (RTD): Väsentliga för att hålla bioreaktorn vid den exakta temperatur som krävs för celltillväxt.
- pH-sensorer: Tillgängliga som glas- eller ISFET-typer, dessa säkerställer att surhets- eller alkalinitetsnivåerna är precis rätt för processen.
- Lösta syresensorer (optiska): Avgörande för att spåra syrenivåer, vilket direkt påverkar cellmetabolismen.
- Metabolitsensorer: Används för att övervaka viktiga föreningar som glukos och mjölksyra, vilket hjälper till att upprätthålla den balans som behövs för effektiv produktion.
Dessa sensorer arbetar tillsammans för att tillhandahålla den detaljerade data som behövs för AI-system att finjustera bioprocessförhållanden, vilket säkerställer framgången för odlad köttproduktion.
