IA & cultures “à protéines animales” : le cas Piggy Sooy

26,6% : c’est le niveau d’expression annoncé pour une protéine de porc dans des graines de soja modifiées. Pas dans une cuve de fermentation, pas dans une usine de biotechnologie, mais dans un champ — avec une graine qui, détail frappant, prend une teinte rosée. Cette plateforme, surnommée « Piggy Sooy », a été présentée par la startup de molecular farming Moolec.

Si vous suivez notre série « Intelligence artificielle dans l’agriculture et l’agroalimentaire », vous voyez tout de suite où ça devient intéressant : ce type d’innovation n’est pas seulement une histoire de génétique. C’est une histoire de données, de modélisation, de pilotage agronomique, et de décisions sous contraintes (rendement, qualité, coût, acceptabilité, réglementation). Autrement dit : un terrain de jeu parfait pour l’IA.

Ce billet prend Piggy Sooy comme cas d’école. On va regarder ce que change réellement le molecular farming, pourquoi l’IA peut en accélérer la mise à l’échelle, et ce qu’un acteur agricole/agroalimentaire doit faire dès 2025 pour ne pas regarder le train passer.

Le molecular farming : produire des protéines, avec des champs

Le point clé est simple : le molecular farming transforme une culture en “usine biologique”. Au lieu de produire une protéine dans des fermenteurs (infrastructure coûteuse, énergivore, complexe à opérer), on insère une séquence génétique dans une plante pour qu’elle fabrique la protéine cible directement dans ses tissus — ici, dans la graine de soja.

Dans le cas présenté par Moolec, l’entreprise annonce une expression allant jusqu’à 26,6% des protéines solubles totales dans la graine. Elle indique aussi que c’est environ 4 fois plus que ce qui avait été projeté au départ. Ce genre de saut n’arrive pas “par magie” : il vient de choix fins sur le design génétique, l’assemblage des constructions, et la sélection de lignées.

Pourquoi ça compte pour la sécurité alimentaire

Le sujet dépasse largement le “buzz” autour des protéines alternatives. La réalité, c’est qu’on cherche partout des moyens de :

• sécuriser l’approvisionnement en protéines (aléas climatiques, volatilité des prix, tensions géopolitiques),
• réduire la dépendance à certaines filières très concentrées,
• baisser l’empreinte (carbone, eau, sols) sans sacrifier la nutrition.

Une plante qui produit une protéine animale dans un système agricole existant peut, sur le papier, offrir un chemin de montée en volume plus direct que certaines approches industrielles. Mais le “sur le papier” est important : la mise en production à grande échelle pose des questions non négociables (variabilité, traçabilité, séparation des flux, conformité).

Piggy Sooy : ce que révèle vraiment cette annonce

La meilleure lecture de Piggy Sooy, c’est : la biotechnologie est en train d’industrialiser l’idée de “cultures à ingrédients”. Le soja n’est plus seulement une source de protéines végétales ; il devient un support pour produire des protéines ciblées, avec une valeur fonctionnelle (goût, texture, nutrition) attendue par l’agroalimentaire.

Une métrique qui change la donne : le taux d’expression

Un taux d’expression élevé est la condition de viabilité économique. Pourquoi ? Parce que :

• plus l’expression est élevée, moins il faut de biomasse pour obtenir 1 kg de protéine cible,
• les étapes de séparation/purification peuvent être plus simples ou plus courtes,
• le coût matière et le coût énergie baissent mécaniquement.

À l’inverse, un taux d’expression instable (selon l’année, le sol, la variété, la conduite culturale) tue le modèle.

Le “champ” est un environnement beaucoup moins contrôlé qu’une usine

C’est là que beaucoup d’équipes se trompent : elles pensent “biotech”, alors que la variabilité agronomique est brutalement réelle.

Dans un fermenteur, on contrôle température, pH, oxygène, agitation. Dans un champ, vous gérez :

• hétérogénéité des sols,
• stress hydrique,
• pression parasitaire,
• dates de semis/récolte,
• interactions génotype × environnement.

Le défi n’est donc pas seulement de “créer” une plante qui exprime une protéine. Le défi est de garantir une qualité et une teneur compatibles avec un cahier des charges industriel, à l’échelle de milliers d’hectares.

Où l’IA devient indispensable (et pas décorative)

La réponse directe : l’IA est le meilleur outil disponible pour réduire le nombre de cycles d’essais nécessaires et pour piloter la variabilité du vivant.

IA pour optimiser les traits : du design génétique à la lignée stable

Le goulot d’étranglement, c’est le nombre d’itérations. Une approche moderne combine :

1. données “omics” (génomique, transcriptomique, protéomique),
2. résultats d’essais de lignées (teneur, stabilité, rendement grain),
3. métadonnées environnementales (sol, météo, itinéraire technique).

Avec ces briques, des modèles de type apprentissage supervisé (et de plus en plus des approches hybrides physique + data) peuvent :

• prédire quelles constructions génétiques ont le plus de chances d’exprimer fortement,
• détecter les facteurs agronomiques qui font chuter l’expression,
• recommander des croisements/sélections pour stabiliser le trait.

Phrase à garder : plus la biologie est complexe, plus l’IA sert à éviter les essais “au hasard”.

IA en agriculture de précision : stabiliser l’expression au champ

Le scénario réaliste, côté exploitation, c’est celui-ci : une protéine cible doit rester dans une fenêtre (par exemple ±10% autour d’un seuil), sinon l’ingrédient devient difficile à valoriser.

L’IA peut aider à :

• zoner les parcelles (imagerie satellite/drone + capteurs sol) pour éviter les zones à risque,
• prévoir les stress (modèles météo + humidité du sol) et ajuster irrigation/fertilisation,
• recommander une date de semis optimale pour sécuriser la période de remplissage du grain,
• déclencher des interventions phytosanitaires au bon moment pour limiter les impacts sur la physiologie.

Autrement dit, on passe d’un objectif “rendement” à un objectif double : rendement + teneur en protéine cible.

IA pour la traçabilité et la conformité : séparation des flux, risque et qualité

Une culture produisant une protéine animale pose des exigences élevées de traçabilité :

• séparation logistique (stockage, transport, trituration),
• contrôle qualité à réception,
• maîtrise des contaminations croisées,
• documentation de bout en bout.

Les systèmes IA + data (vision par ordinateur, détection d’anomalies, scoring de lots) peuvent industrialiser :

• la classification de lots selon teneur,
• le routage vers les bons débouchés,
• l’anticipation des non-conformités (corrélations météo × parcelle × qualité).

En clair : sans données et automatisation, l’équation économique s’effondre sous le coût du contrôle.

Les questions difficiles (celles qui déterminent la valeur business)

Le sujet attire vite des débats idéologiques. Je préfère poser des questions opérationnelles, celles qui font ou défont un projet.

1) Quel modèle économique : ingrédient, isolat, ou “grain fonctionnel” ?

Trois voies, avec des implications très différentes :

• Vendre le grain comme matière première différenciée (simple, mais exige une filière dédiée).
• Extraire un isolat (plus de CAPEX/OPEX, mais qualité plus standardisée).
• Formuler un ingrédient (plus proche de l’agroalimentaire, marge potentiellement supérieure).

L’IA intervient à chaque étape : prévision de qualité au champ, optimisation des procédés, contrôle en ligne.

2) Quelle acceptabilité et quel étiquetage ?

Même si une voie réglementaire est “plus fluide” (certains acteurs le revendiquent), l’acceptabilité marché dépendra de :

• la transparence,
• la promesse nutritionnelle,
• le prix,
• la cohérence environnementale,
• la gestion des risques perçus.

Et là, les données comptent : ACV, traçabilité, preuves de constance, indicateurs mesurables.

3) Quel impact agronomique : rendement total vs allocation métabolique

Un point technique mais crucial : produire beaucoup d’une protéine cible peut “coûter” à la plante (énergie, azote, métabolisme). Il faut surveiller :

• le rendement grain,
• la résistance au stress,
• la stabilité inter-annuelle.

L’IA est utile pour détecter des compromis (trade-offs) invisibles à l’œil nu sur de petites séries d’essais.

Plan d’action 2025 pour décideurs agri/agro : comment se préparer

Si vous êtes coopérative, semencier, industriel, ou acteur de la nutrition, l’enjeu n’est pas de “croire ou non” au molecular farming. L’enjeu est d’être prêt si une filière devient viable.

Les 6 chantiers à lancer (ou renforcer) dès maintenant

1. Gouvernance des données parcellaire : standardiser météo, sol, itinéraires techniques, rendements, analyses qualité.
2. Capacité d’analytique qualité : NIR, tests rapides, protocoles d’échantillonnage, historisation.
3. Traçabilité lot par lot : du champ au silo, puis au site industriel.
4. Modèles prédictifs “qualité” : pas seulement rendement ; intégrer teneur, stabilité, risques.
5. Scénarios filière : séparation des flux, contrats de production, primes qualité, pénalités.
6. Veille réglementaire et communication : préparer le discours preuve à l’appui (indicateurs, transparence).

Une filière “cultures à protéines ciblées” se gagne sur la logistique et la qualité autant que sur la génétique.

Ce que Piggy Sooy dit de la prochaine étape de l’agroalimentaire

Piggy Sooy n’est pas juste une curiosité biotech. C’est un signal : la production d’ingrédients va se rapprocher du champ, et l’agriculture de précision va devoir optimiser des variables plus riches que “tonnes/ha”.

Dans notre série sur l’IA en agriculture et agroalimentaire, on revient souvent à la même idée : l’avantage concurrentiel se construit quand on transforme la variabilité du vivant en décisions pilotables. Le molecular farming pousse cette logique au maximum : si vous ne mesurez pas, vous ne maîtrisez pas ; si vous ne maîtrisez pas, vous ne standardisez pas ; et sans standardisation, l’industrie ne suit pas.

Si vous voulez évaluer ce type de projet (ou simplement vous y préparer), le bon point de départ est très concret : quelles données qualité avez-vous aujourd’hui, à l’échelle parcelle et lot ? C’est souvent là que tout se joue.