AI a genové editace: rychlejší vývoj plodin v praxi

V zemědělství se teď láme chleba na jednom konkrétním místě: rychlost šlechtění. Kdo dokáže dostat od nápadu k odrůdě o pár sezon dřív, vyhrává nejen na výnosech, ale i na odolnosti vůči suchu, chorobám a cenovým výkyvům. A přesně proto je zajímavá zpráva, že se z „utajení“ vynořil startup Ohalo Genetics zaměřený na genové editace a do role CEO nastoupil zkušený agtech podnikatel a investor Dave Friedberg.

Nejde jen o personální rošádu. Tenhle typ firem typicky staví na kombinaci genetiky, automatizace, dat a umělé inteligence – tedy na stejných pilířích, které řešíme v naší sérii Umělá inteligence v zemědělství a potravinářství. Realita? Genová editace sama o sobě nestačí. Bez AI se z ní snadno stane drahý laboratorní projekt. S AI se z ní může stát průmyslový proces, který posune celé potravinové řetězce.

Co znamená, když se „gene-editing“ startup vynoří z utajení

Vynoření z utajení obvykle znamená, že firma má v ruce první funkční výsledky a plán škálování. U biotechnologií a agtechu to často značí, že se posouvají od laboratorních prototypů k polním zkouškám, výrobním partnerstvím a komercializaci.

U Ohalo (podle RSS shrnutí) je klíčové i to, kdo přebírá řízení. Dave Friedberg patří mezi výrazné osobnosti na pomezí agtechu a foodtechu. Když podobný člověk vezme roli CEO, bývá to signál, že firma chce:

• zpřesnit produktovou strategii (co přesně dodá farmářům či šlechtitelům),
• otevřít se partnerům (osivářské firmy, pěstitelské skupiny, potravináři),
• nastavit metriky, rozpočet a „go-to-market“ způsobem, který dává investorům smysl.

V prosinci 2025 je navíc načasování výmluvné: po letech hype kolem AI přichází fáze, kdy se firmy musí prokázat v reálu. V zemědělství to znamená v reálu na poli – a v potravinářství v reálu na lince.

Proč genové editace bez AI narážejí na strop

Největší brzda šlechtění není samotný zásah do DNA, ale rozhodování „co a proč“ a pak ověřování „jestli to funguje“. Genové editace (často ve veřejné debatě zkratkovitě spojované s CRISPR) umí provést cílenou změnu. Jenže otázky, které rozhodují o úspěchu, přicházejí před a po:

1) Výběr cíle: který gen upravit a jakou změnou

Moderní plodiny mají složité genomy a vlastnosti typu odolnosti k suchu či výnos jsou často polygenetické (řídí je více genů). V praxi to znamená obrovské vyhledávací pole.

AI tady dává smysl jako „filtr“ a „prioritizátor“: propojuje genomická data, fenotypy (měřitelné vlastnosti) a prostředí (počasí, půda, management) a navrhuje, které zásahy mají nejvyšší šanci přinést efekt bez negativních dopadů.

2) Fenotypování: měření výsledku v podmínkách, které se mění

Jestli změna funguje, poznáte až v kombinaci konkrétního ročníku, lokality a agrotechniky. V době klimatické variability je to ještě těžší.

AI tu pomáhá zpracovat signál z chaosu: satelitní snímky, drony, senzory v porostu, údaje o závlaze, půdě a výživě. Výsledkem není jen „má/ nemá“, ale pravděpodobnostní model, který říká, kdy a kde se vlastnost projeví.

3) Rychlost cyklu

Klasické šlechtění je dlouhé, protože vyžaduje opakované generace a testování.

AI zkracuje cyklus nepřímo: lepší výběr experimentů a méně slepých uliček. V praxi může jít o rozdíl mezi desítkami a stovkami pokusů.

Praktická poučka: Genová editace mění „co umíme udělat“. AI mění „jak rychle poznáme, co má cenu dělat“.

Kde se potkává CRISPR, data a precizní zemědělství

Největší přínos kombinace AI a genetiky je v tom, že propojí šlechtění s reálným provozem na farmě. A to je přesně linka, která zajímá potravináře i pěstitele: stabilita dodávek, kvalita a náklady.

Odolnost vůči stresu: sucho, horko, choroby

V Česku i v regionu střední Evropy je vidět posun: delší epizody sucha, vlny horka, tlak na fungicidní strategie a volatilita výnosů. Genové editace mohou cílit na konkrétní mechanismy (např. regulace průduchů, architektura kořenů, obranné reakce).

AI k tomu dodá dvě věci:

• lokalizaci (kde se stres vyskytuje a jak často),
• ekonomiku (vyplatí se investice do nové odrůdy právě pro vaše půdy a osevní postup?).

Kvalita pro potravinářství: bílkoviny, škrob, oleje, stabilita

Potravinářům nejde jen o výnos. Jde o parametry, které ovlivní výtěžnost a proces: pekařské vlastnosti, obsah oleje, aminokyselinové profily, cukernatost, skladovatelnost.

Když se genové editace spojí s modely poptávky a kvality, vzniká zajímavý „smluvní“ svět:

• potravinář definuje cílové parametry,
• šlechtitel/ biotech firma navrhne genetický směr,
• AI hlídá, zda se parametry daří dosahovat v různých lokalitách.

Nižší vstupy, ne jen vyšší výnos

Nejlepší agronomický výsledek v roce 2025/2026 často není maximalizace výnosu za každou cenu, ale stabilní marže. Tady se propojení AI a genetiky může projevit velmi prakticky: odrůdy, které udrží výkon při nižším N nebo při menším počtu zásahů.

Proč na vedení agtech firmy záleží víc, než si myslíte

V agtechu se „technologická pravda“ musí potkat s realitou sezónnosti, regulace a distribučních kanálů. A to je přesně důvod, proč jsou změny ve vedení (jako u Ohalo) pro trh signálem.

Co musí CEO v gene-editing agtechu zvládnout současně:

1. Vědu a produkt – aby firma nestavěla jen na hezkých slajdech.
2. Regulaci a důvěru – různé trhy mají různé definice a požadavky na gene-edited vs. GMO.
3. Partnerství – osiva a šlechtění mají své hráče a dlouhé cykly; bez spolupráce je škálování bolestivé.
4. Datovou strategii – bez kvalitních datasetů a standardizace měření AI selhává.

Můj pohled: největší chybu dělají firmy, které berou AI jako „vrstvu navíc“. V zemědělství to musí být naopak: AI je výrobní proces rozhodování, ne marketingový doplněk.

Jak může AI zrychlit šlechtění: konkrétní workflow

Funkční systém vypadá jako uzavřená smyčka „data → model → experiment → data“. Pokud uvažujete o spolupráci s biotech/ agtech firmou (nebo si to chcete postavit interně), dává smysl ptát se na tyhle body:

1) Sběr dat: bez toho není co modelovat

• fenotypy z polí (výnos, kvalita, zdravotní stav),
• environmentální data (půda, počasí, management),
• genomická data (markerové profily, sekvenace, rodokmeny).

2) Modelování: co AI reálně předpovídá

Dobré modely nedělají jen „predikci výnosu“. Dělají i:

• G×E (genotyp × prostředí): kde se gen projeví,
• odhad rizik (citlivost na stres, variabilita),
• návrh experimentů (které kombinace testovat příště).

3) Design zásahu: editace, křížení, validace

V závislosti na strategii firmy může jít o gene editing, marker-assisted selection, nebo kombinaci. Důležité je, aby validace byla navržená tak, že přináší rozhodnutí – ne jen další data do šuplíku.

4) Metriky úspěchu, které dávají smysl farmě

Zeptejte se jednoduše: o kolik klesnou náklady nebo naroste marže v konkrétním regionu. Pokud odpověď sklouzne k obecným frázím, je to varovný signál.

„People also ask“ v praxi: co se obvykle řeší

Je genová editace totéž co GMO?

Ne. Genová editace často znamená cílenou úpravu, která může být podobná změně, jež by vznikla i přirozeně nebo klasickým šlechtěním – jen rychleji a přesněji. Regulace se ale liší podle zemí a konkrétní metody.

Kde do toho vstupuje AI, když se pracuje v laboratoři?

AI je nejcennější v rozhodování: výběr cílů, predikce dopadů, plánování experimentů a vyhodnocení výsledků z terénu. Laboratoř je jen jedna část řetězce.

Kdy to uvidíme „na poli“ ve velkém?

U plodin s kratšími cykly a jasnými parametry (kvalita, odolnost k určité chorobě) se komerční dopad může projevit rychleji. U komplexních vlastností (sucho, stabilita výnosu napříč regiony) je to běh na více sezon.

Co si z příběhu Ohalo odnést, pokud jste farmář, šlechtitel nebo potravinář

Zpráva o Ohalo a nástupu zkušeného CEO je připomínka, že další vlna inovací nebude jen o senzorech a dashboardech, ale o biologii řízené daty. V praxi to znamená: odrůdy budou vznikat stále víc jako výsledek datové optimalizace, ne jen dlouhého pokusnictví.

Pokud přemýšlíte, jak se do toho zapojit (a nezůstat jen divák):

1. Zmapujte vlastní data – výnosové mapy, kvalita, zásahy, půdy. Bez toho vám nikdo seriózně nespočítá přínos.
2. Začněte malým pilotem – 1–2 lokality, jasná metrika (např. stabilita proteinu, snížení fungicidních zásahů).
3. Vyžadujte transparentní modelové výstupy – ne „AI říká“, ale co přesně predikuje a s jakou nejistotou.
4. Myslete na celý řetězec – největší peníze bývají v parametrech, které ocení odběratel, ne v rekordním výnosu.

Naše série Umělá inteligence v zemědělství a potravinářství stojí na jednoduché myšlence: AI dává smysl jen tehdy, když mění rozhodování v reálném provozu. Genové editace jsou pak nástroj, který to rozhodnutí umí „zafixovat“ do nové odrůdy.

Co bude podle vás v příštích 24 měsících důležitější: rychlost šlechtění, nebo schopnost přesně změřit dopad odrůdy v různých podmínkách?