AI v zemědělství: když sója vyrábí vepřové bílkoviny

26,6 %. Tohle číslo zní jako drobnost z laboratorního reportu, ale ve skutečnosti je to signál, že se potravinářství může v příštích letech změnit rychleji, než jsme čekali. Startup Moolec totiž oznámil, že jeho sója dokáže v semenech „vyjádřit“ až 26,6 % živočišných proteinů z celkového rozpustného proteinu. Jinými slovy: rostlina funguje jako biotová továrna na konkrétní bílkoviny, které běžně pocházejí z prasete.

Pro naši sérii „Umělá inteligence v zemědělství a potravinářství“ je to víc než kuriozita. Molekulární farmaření (molecular farming) je přesně ten typ inovace, který potřebuje data, modelování a precizní řízení podmínek – a právě tady má AI velmi praktickou roli. Nejde jen o „genetiku v rostlinách“. Jde o celý řetězec: od návrhu, přes pěstování a sklizeň, až po zpracování a kontrolu kvality.

Co je molekulární farmaření a proč se o něm teď mluví

Molekulární farmaření je způsob výroby specifických proteinů tak, že se „přesune“ produkce do plodiny. Místo fermentačních tanků a bioreaktorů pracuje pole, skleník a zpracovatelská linka.

Základní princip:

• do rostliny (typicky do semen) se vloží genetická informace pro cílový protein,
• rostlina během růstu protein vytvoří a uloží,
• po sklizni se protein extrahuje a využije v potravinách.

Moolec tuto logiku ukazuje na produktu přezdívaném „Piggy Sooy“ – sóje, která podle firmy vytváří vysoký podíl proteinů typických pro vepřové maso. Zaujme i vizuálně: semena mají růžový odstín, který firma prezentuje jako „viditelný důkaz“ změny.

Proč je to jiné než fermentace

Fermentace (mikrobiální výroba) je dnes v alternativních proteinech silná, ale často naráží na:

• vysoké investice do infrastruktury,
• energetickou náročnost,
• složité škálování v průmyslových objemech.

Molekulární farmaření přesouvá velkou část „škálování“ do zemědělských postupů. To neznamená, že je automaticky levnější nebo jednodušší. Znamená to, že se jinak rozkládají náklady a rizika – a že se otevírá prostor pro precizní zemědělství a AI.

„Vepřové“ bílkoviny ze sóji: co je na tom prakticky důležité

Klíč není jen v tom, že rostlina něco vyrobí. Klíč je v tom, kolik, jak stabilně a s jakou kvalitou. Údaj „až 26,6 %“ zní jako laboratorní maximum; v praxi se bude řešit průměr napříč šaržemi, lokalitami a ročníky.

Co to může přinést potravinářství:

1. Stabilnější dodávky funkčních proteinů pro zpracované potraviny (textura, šťavnatost, vaznost vody).
2. Snížení tlaku na živočišnou výrobu u vybraných aplikací (např. ingredience do masných analogů nebo hybridních produktů).
3. Zemědělsky škálovatelný model – když poptávka roste, přidáte hektary (a ne nutně další bioreaktory).

A teď to nepohodlné: úspěch se nebude měřit tiskovou zprávou, ale tím, jestli výrobce dokáže dlouhodobě dodržet parametry. V potravinářství je „skoro stejné“ často totéž co „neprodejné“.

Regulace a důvěra spotřebitelů: tichý rozhodčí

Moolec naznačuje snahu o „hladší regulační cestu“ díky novému patentovému přístupu. Pro evropský (a český) kontext je to zásadní: schvalování geneticky upravených plodin a potravin je politicky citlivé a procesně náročné.

Z pohledu trhu platí jednoduché pravidlo:

Pokud produkt nedokáže srozumitelně vysvětlit přínos (cena, chuť, udržitelnost) a zároveň bezpečnost, vyhraje status quo.

AI tady může pomoct nepřímo – hlavně v transparentnosti, sledovatelnosti a dokladování kvality.

Kde do toho zapadá AI: od návrhu proteinu po sklizeň

AI je lepidlo, které spojuje biotechnologii, šlechtění, agronomii a kontrolu kvality do jednoho řiditelného systému. Bez dobrých dat a predikcí bude molekulární farmaření trpět stejným problémem jako mnoho „bio“ inovací: skvělé výsledky v malém měřítku, bolest ve velkém.

AI v návrhu a optimalizaci genetických konstrukcí

U rostlin, které mají vyrábět konkrétní protein, se řeší mimo jiné:

• jak silně se gen „zapne“ v semeni,
• jak moc to zatíží metabolismus rostliny,
• zda bude protein stabilní během zrání a skladování,
• jaké budou vedlejší dopady na výnos a odolnost.

Modely strojového učení umí pracovat s velkými sadami experimentálních dat (varianty konstrukcí, promotorů, cílových sekvencí) a urychlit výběr kandidátů. Nejde o magii; jde o to, že místo 500 pokusů uděláte 80, které mají vyšší šanci uspět.

AI a precizní zemědělství: stabilita napříč poli

Jakmile se genetika „pustí“ do praxe, začíná agronomie. A ta je neúprosná: půda, počasí, stres suchem, škůdci, termín setí – všechno ovlivní nejen výnos, ale i míru exprese cílového proteinu.

V reálné produkci dávají smysl AI nástroje, které:

• predikují výnos a kvalitu (nejen tuny/ha, ale i očekávané % cílového proteinu),
• doporučí zavlažování a výživu tak, aby nekolísala kvalita,
• vyhodnotí rizika (stres, choroby) z dat ze senzorů, satelitů a meteomodelů.

Praktický příklad z provozu: pokud máte plodinu, kde je „hodnota“ v proteinu, ne v komoditě, pak i menší odchylka v kvalitě může znamenat velkou ztrátu. AI se tak stává nástrojem pro řízení variability.

AI v post-harvest a potravinářské kontrole kvality

Protein z rostliny musíte dostat ven a udělat z něj ingredienci. Tady se často láme chleba:

• šarže se mohou lišit,
• extrakce může být citlivá na pH, teplotu, dobu, mletí,
• potravinářské specifikace vyžadují konzistenci.

AI modely pro řízení procesů (včetně prediktivního řízení) umí:

• hlídat stabilitu parametrů,
• předvídat výtěžnost,
• rychleji odhalit odchylky v kvalitě suroviny.

Co to může znamenat pro Česko: šance i slepá místa

České zemědělství má silnou agronomii a přístup k precizním technologiím, ale často mu chybí propojení s potravinářským vývojem a biotechnologií. A právě tohle propojení je u molekulárního farmaření klíč.

Kde dává smysl začít (realisticky)

Než se začne mluvit o „sóje s vepřovými proteiny“ na českých polích, vidím pragmatičtější kroky:

1. Pilotní produkce ve sklenících a kontrolovaných podmínkách – rychlé učení, méně rizik.
2. AI monitoring plodin u vysoce hodnotných plodin (osiva, specializované suroviny) – přenos know-how.
3. Datová infrastruktura: bez ní AI nepomůže. Potřebujete konzistentní sběr dat z polí, skladů i výroby.

Největší překážky, které se často podceňují

• Regulace a veřejná debata: technicky můžete být připraveni, společensky ne.
• Oddělené dodavatelské řetězce: molekulární farmaření potřebuje přísnější segregaci, sledovatelnost a logistiku.
• Ekonomika šarží: pokud je protein „hlavní produkt“, mění se způsob oceňování sklizně.

Můj názor: kdo začne budovat kompetence v řízení kvality a dat už teď, bude mít náskok, až se trh otevře. Čekat „až to bude běžné“ je spolehlivý způsob, jak být vždy o krok později.

Praktické otázky, které si firmy kladou (a měly by)

Je to bezpečné a jak se to prokazuje?

Bezpečnost se v potravinářství neprokazuje dojmem. Prokazuje se daty: charakterizace proteinu, alergenní potenciál, čistota, stabilita, sledovatelnost šarží. AI pomůže hlavně v automatizaci dokumentace a analýz, ale nenahradí laboratorní a regulační práci.

Bude to levnější než maso nebo fermentace?

U ingrediencí může být ekonomika příznivá dřív než u „celých“ potravin. U komoditního masa rozhoduje obrovská efektivita současných řetězců. U funkčních proteinů je situace jiná: cena se často obhajuje funkčností a konzistencí.

Co to udělá s udržitelností?

Potenciál ke snížení environmentální zátěže existuje, ale nebude automatický. Pokud bude plodina vyžadovat více vstupů, nebo pokud se bude komplikovaně zpracovávat, výhoda se může ztenčit. Smysl dává posuzovat konkrétní scénáře a řídit je datově – a to je opět prostor pro AI.

Co si z „Piggy Sooy“ odnést: tři tvrdé lekce pro inovace v potravinách

1. Biotechnologie bez agronomie je poloviční produkt. Kvalita se nevyrobí jen v laboratoři, ale i na poli.
2. AI je nejcennější tam, kde snižuje variabilitu. U nových proteinů je variabilita zabiják.
3. Důvěra trhu je stejně důležitá jako výtěžnost. Transparentnost, sledovatelnost a jasné značení nejsou „nice to have“.

Pokud vás zajímá, kam se posouvá AI v zemědělství a potravinářství, molekulární farmaření je skvělý testovací poligon. Je datově náročné, citlivé na podmínky a zároveň nabízí konkrétní obchodní přínos: vyrobit přesný protein ve velkém.

A teď ta otázka, která podle mě rozhodne rok 2026–2028: Budeme umět v Evropě (a tím pádem i v Česku) nastavit pravidla tak, aby šla inovace dopředu, ale zároveň byla pro lidi čitelná a důvěryhodná? Pokud ano, uvidíme v potravinách ingredience, které dnes zní jako sci‑fi. Pokud ne, vývoj se prostě přesune jinam.

Chcete posoudit, kde má AI u vás nejrychlejší návratnost – v monitoringu plodin, predikci výnosů, nebo řízení kvality ve výrobě? V praxi se vyplatí začít auditováním dat: co už měříte, co chybí a co se dá rozhodovat automaticky.