AI „marketplace“ pro proteiny: rychlejší inovace ve foodtech

33 milionů molekul v jedné databázi je číslo, které zní spíš jako inventura velké farmaceutické firmy než něco, s čím by mohl pracovat potravinářský vývoj. Přesně na tom ale stojí nový přístup: Shiru otevřelo platformu ProteinDiscovery.ai, která umožňuje vyhledat, otestovat a nakoupit vzorky proteinů podle sekvence, funkce nebo způsobu expresního „výrobení“. A v praxi to působí jako katalog surovin pro R&D týmy – proto přirovnání k „Amazonu pro proteiny“.

Pro naši sérii „Umělá inteligence v zemědělství a potravinářství“ je to důležitý signál. Nejde jen o to, že AI navrhuje receptury. AI začíná měnit i to, jak se hledají nové ingredience, jak se rozhoduje o dodavatelském řetězci a jak rychle se nápad dostane z laboratoře do pilotní výroby. A ano – má to přímou spojitost s tím, co řeší zemědělci: efektivita, stabilita vstupů, udržitelnost a riziko.

Co vlastně Shiru spustilo (a proč to stojí za pozornost)

Shiru postavilo tržiště/prohlížeč proteinů na databázi 33+ milionů molekul a doplnilo jej o vyhledávání podle tří hlavních „jazyků“, kterými R&D týmy mluví:

• sekvence (biologický „kód“ proteinu),
• funkční použití (např. emulgace, pěnivost, gelace, vaznost vody),
• exprese (zda a jak lze protein vyrábět ve vhodném hostiteli).

Praktická novinka není jen v samotném vyhledání kandidáta. Zásadní je, že platforma cílí na to, aby uživatel dokázal rychle objednat vzorek a začít testovat – tedy zkrátit cestu od „nápadu“ k „reálnému měření“.

V potravinářství to řeší velmi konkrétní bolest: mnoho týmů má dobrý nápad (např. „chceme rostlinný protein s lepší rozpustností do nápoje“), ale následně narazí na týdny až měsíce hledání, domlouvání a ověřování dostupnosti.

Proč je „Amazon pro proteiny“ víc než marketingová zkratka

Klíčový posun je v tom, že se proteinové inovace začínají chovat jako standardizovaný nákupní proces. To může znít přízemně, ale v R&D bývá největší brzda právě operativa: kdo to dodá, v jaké kvalitě, s jakými parametry, v jakém čase a za jakých podmínek.

Standardizace = rychlejší iterace

Většina potravinářských inovací selže ne proto, že „věda nefunguje“, ale protože se tým nedostane včas k dobrým kandidátům a dostatečnému počtu iterací. Když máte možnost prohledat obrovský prostor molekul a rychle získat vzorky, zvyšujete šanci, že najdete protein, který:

• splní funkci (např. stabilizuje emulzi),
• půjde vyrábět ve škále,
• projde senzorikou a technologickými testy,
• a nebude ekonomický nesmysl.

Datová stopa, která se dá přenést do výroby

„Tržiště“ navíc přirozeně vytváří datovou stopu: co se hledá, co se objednává, co funguje v jakém použití. Tohle je přesně ten typ signálu, který se dá (v anonymizované podobě) proměnit v lepší doporučování, benchmarking a rychlejší rozhodování.

A tady se to potkává s AI v zemědělství: stejně jako precizní zemědělství převádí pole na data (půda, vláha, výnosové mapy), platformy typu ProteinDiscovery.ai převádějí vývoj ingrediencí na opakovatelné, měřitelné kroky.

Jak AI mění hledání proteinů: od „náhody“ k cílenému výběru

Základní princip je jednoduchý: prostor možných proteinů je obrovský. Lidský tým bez nástrojů se v něm pohybuje pomalu a často podle zvyku („vezmeme hrášek, sóju, pšenici…“). AI umožní hledat:

• podobné sekvence k již známým funkčním proteinům,
• kandidáty s očekávanou funkčností pro konkrétní aplikaci,
• varianty, které lze lépe exprimovat (tedy vyrábět efektivněji).

Co to znamená pro potravinářské aplikace

V praxi to nejčastěji dopadá na tři typy produktů:

1. Nápoje a ready-to-drink – rozpustnost, stabilita, nízká svíravost a „pocit v ústech“.
2. Alternativy masa – vaznost vody a tuku, texturace, tepelná stabilita.
3. Pekařství a cukrářství – pěnivost, objem, struktura, práce s tukem.

Když se protein vybere špatně, výsledkem je typický „potravinářský trest“: sediment v nápoji, gumová textura, pachuť, nebo potřeba dorovnávat funkci aditivy. Správně zvolený protein naopak může snížit počet složek, zjednodušit proces a stabilizovat kvalitu.

A co zemědělství? Tady je přímá linka

Jako někdo, kdo sleduje AI v agro dlouhodobě, vidím jednu paralelu pořád dokola: optimalizace vstupů.

• Na poli optimalizujete osivo, výživu, závlahu a ochranu.
• Ve výrobě potravin optimalizujete proteiny, tuky, stabilizátory a proces.

V obou případech vítězí ten, kdo:

• má kvalitní data,
• umí je rychle převést do rozhodnutí,
• a iteruje častěji než konkurence.

Co si z toho má odnést český potravinář, startup nebo agro hráč

Tohle není téma jen pro Silicon Valley. Český a středoevropský trh řeší v roce 2025 velmi podobné tlaky: cena surovin, predikovatelnost dodávek, uhlíková stopa, tlak retailu na složení a současně konzervativní očekávání zákazníků.

1) Pro R&D a výrobce potravin: nastavte si „proteinový brief“

Než začnete hledat nové proteiny (ať už přes platformu, dodavatele nebo univerzitu), napište si stručný brief. Bez něj budete testovat „od oka“.

Doporučuju minimálně:

• aplikace (nápoj, pečivo, alternativní maso…),
• cílové parametry (rozpustnost, viskozita, pH stabilita, pěnivost…),
• alergeny a čisté označování (clean label),
• cenový strop na dávku v receptuře,
• požadovaná dostupnost a škálování.

Jedna věta, která šetří týdny: „Jaký problém má protein vyřešit v procesu, ne v prezentaci?“

2) Pro ingredient firmy: připravte se na „porovnatelnost“

Jakmile existují katalogy a vyhledávání podle funkce, zvyšuje se tlak na to, aby ingredience byly:

• měřené podle srovnatelných metod,
• popsané standardními parametry,
• doplněné o aplikační data.

Firmy, které dodají jen datasheet bez kontextu, budou pro nákupčí a vývojáře méně atraktivní. Naopak ti, kdo nabídnou aplikační protokoly, pilotní šarže a jasný příběh výroby, získají výhodu.

3) Pro agro a šlechtění: cenné signály o tom, co bude „chtěné“

Když se poptávka po funkčních proteinech začne více řídit daty, zemědělství dostane nový typ zadání: nejen „víc bílkovin“, ale jaké bílkoviny. To může ovlivnit:

• šlechtění plodin na konkrétní profil proteinů,
• smluvní pěstování a oddělené toky (identity preserved),
• investice do zpracování (frakcionace, fermentace, extrakce).

A to je přesně místo, kde AI v zemědělství a AI v potravinářství přestávají být dvě oddělené disciplíny.

Rizika a realita: co může celý model brzdit

Rád bych řekl, že podobné platformy automaticky zrychlí vše. Nezrychlí – pokud se podcení tři věci.

Regulace a bezpečnost (hlavně u nových proteinů)

Nové proteiny narážejí na schvalování, bezpečnostní posudky, alergenní potenciál a někdy i na to, že „novel“ ingredience prostě trvá dostat na trh. AI urychlí hledání kandidátů, ale nezruší regulatorní realitu.

Škálování výroby

„Najít“ protein je jedna věc. Umět jej vyrábět v tunách za rozumné peníze je věc druhá. Proto je důležité, že platforma pracuje i s hlediskem exprese a škálovatelnosti – bez toho by šlo jen o hezkou databázi.

Senzorika a přijetí zákazníkem

Čeští zákazníci jsou v chuti a ceně často nekompromisní. Protein, který funguje technologicky, ale zanechá pachuť nebo zhorší texturu, je slepá ulička. Vítězí firmy, které propojí bioinformatiku s potravinářskou praxí: testy v reálných matricích, panelové hodnocení, skladovací stabilita.

Praktické „mini Q&A“: co se lidé ptají nejčastěji

Je to relevantní i mimo alternativní maso?

Ano. Funkční proteiny řeší nápoje, pekařství, cukrovinky, omáčky i výživu. Alternativní maso je jen nejviditelnější část.

Znamená to konec klasických dodavatelů ingrediencí?

Ne. Spíš to zvedne laťku. Dodavatelé, kteří mají data, aplikační podporu a umí rychle dodat vzorek, budou ještě důležitější.

Jak to souvisí s AI v zemědělství?

Stejně jako AI pomáhá farmářům rozhodovat se na základě dat (kde hnojit, kdy zavlažovat), podobné platformy pomáhají potravinářům rozhodovat se na základě dat (jaký protein zvolit, jaký bude výkon v aplikaci, zda půjde vyrábět).

Kam to míří v roce 2026: proteiny jako „vyhledatelná komodita“

Očekávám, že v příštích 12–24 měsících poroste význam „vyhledatelnosti“ ingrediencí. Nejen proteinů, ale i enzymů, kultur, vlákniny nebo funkčních tuků. A kdo bude mít lepší datové popisy a rychlejší pilotování, bude vyhrávat výběrová řízení u CPG i private label.

V rámci naší série o umělé inteligenci v zemědělství a potravinářství je tohle dobrá připomínka: AI není jen model v notebooku. AI se postupně mění v infrastrukturu rozhodování – od pole, přes vývoj surovin, až po recepturu a výrobu.

Pokud vyvíjíte produkt, dává smysl začít si klást jiný typ otázky: budete příští rok soutěžit cenou, nebo rychlostí a kvalitou iterací? Protože svět proteinů se začíná chovat tak, že rychlost vyhledání, testu a nákupu se stává konkurenční výhodou.