AI optimalizace živných médií: cesta k dostupnému masu

Cena kultivovaného masa se často vysvětluje bioreaktory, energií nebo „těžkou chemií“. Ve skutečnosti ale mnoho týmů naráží na mnohem prozaičtější brzdu: živné médium. Pokud stojí „krmení“ buněk příliš, žádná hezká továrna to nezachrání. A právě proto je zpráva o tom, že britský startup Multus Biotechnology získal 9,5 mil. USD na vybudování výrobního závodu na růstová (živná) média, pro potravinářství tak podstatná.

Pro naši sérii „Umělá inteligence v zemědělství a potravinářství“ je tohle učebnicový příklad: nejde jen o laboratorní inovaci, ale o to, jak AI a datové metody urychlují škálování výroby potravin. V době, kdy v Evropě roste tlak na odolnost dodavatelských řetězců, snižování emisí a stabilní ceny, je schopnost rychle navrhovat, testovat a vyrábět potravinářsky bezpečné vstupy (ingredience, média, aditiva) strategická.

Proč jsou živná média „skrytý účet“ kultivovaného masa

Živné médium je nejdražší položka, kterou lidé mimo obor podceňují. Nejde o jednu surovinu, ale o komplexní směs: aminokyseliny, cukry, soli, vitaminy, stopové prvky a hlavně růstové faktory – proteiny, které buňkám dávají signál, kdy růst, kdy se diferencovat a kdy „zpomalit“.

Kultivované maso se roky potýká s tím, že:

• růstové faktory jsou drahé a často se vyrábějí v režimu vhodném spíš pro farmaceutické použití než pro potraviny,
• mají krátký poločas aktivity, takže v objemových bioreaktorech rychle degradují a musí se doplňovat,
• média musí být bez živočišného séra (např. fetální bovinní sérum), protože to je drahé, eticky i regulačně problematické a škálovatelně neudržitelné.

Multus na to jde inženýrsky: bere návrh média jako optimalizační úlohu, nikoli jako alchymii. A to je přesně místo, kde strojové učení dává ekonomický smysl.

Mýtus: „Stačí vyrobit růstové faktory levněji“

Levnější růstové faktory pomůžou, ale samy o sobě to nestačí. V praxi rozhoduje kombinace:

1. složení média (včetně komplexních rostlinných složek),
2. stabilita a dávkování růstových faktorů v čase,
3. chování konkrétní buněčné linie (každá „jí“ jinak),
4. výrobní proces (míchání, sterilita, logistika, skladování).

Tady se ukazuje, proč budování výrobního závodu na média není „nudná“ zpráva pro investory, ale klíčový krok k cenové paritě.

Multus: od investice k továrně na potravinářsky bezpečná média

Multus Biotechnology (UK) uzavřel investiční kolo Series A ve výši 9,5 mil. USD a část financování tvoří i grant bez podílu na vlastnictví (2,5 mil. USD) z Innovate UK přes EIC Accelerator. Pro firmu to znamená dvě věci: rychlejší vývoj a hlavně stavbu výrobního závodu na růstová média ve Velké Británii.

Tohle rozhodnutí je praktické. Dokud jsou média vyráběná v malém, v „lab-grade“ režimu, nelze férově mluvit o ceně finálního produktu. Komercializace kultivovaného masa stojí na potravinářsky bezpečných surovinách a průmyslové kapacitě.

Multus už dříve uvedl produkt Proliferum® M, který má pomoci eliminovat používání fetálního bovinního séra v buněčných kulturách. Nové financování cílí na posun od produktu k infrastruktuře.

ISO 22000 jako detail, který ve skutečnosti rozhoduje

Zajímavý (a pro potravináře velmi výmluvný) signál: firma oznámila certifikaci ISO 22000 ve své produkční laboratoři. To je jazyk, kterému rozumí výrobní ředitelé i auditní týmy.

U kultivovaných potravin je totiž důvěra postavená na tom, že:

• suroviny jsou food-grade,
• proces je sledovatelný,
• rizika (kontaminace, alergeny, variabilita šarží) jsou řízená systémově.

Bez toho se z inovace stane drahá demonstrace.

Jak AI zrychluje návrh živných médií: „data-science problém“ v praxi

AI v živných médiích není marketingový nápis. Je to způsob, jak zkrotit kombinatorickou explozi. Když máte knihovnu ingrediencí a každou můžete dávkovat v různých koncentracích, počet kombinací letí do astronomických čísel. Ruční pokus–omyl je pomalý a drahý.

Multus popisuje platformu (MediOp), kde kombinuje:

• high-throughput screening (rychlé paralelní testování směsí),
• sběr dat o buněčném chování (růst, životaschopnost, metabolity),
• strojové učení a výpočetní modelování pro hledání nejlepších kombinací.

Výsledek má být jednoduchý: rychleji najít médium, které splní několik cílů najednou – třeba rychlý růst, nízkou cenu, potravinářskou bezpečnost a dostupnost surovin.

Proč je to relevantní i pro „klasické“ zemědělství

Tady je most k našemu tématu série. Stejné principy optimalizace se používají v precizním zemědělství:

• místo „nejlepší hnojivo“ hledáme nejlepší kombinaci vstupů pro dané pole,
• místo jedné metriky (výnos) optimalizujeme více cílů (výnos, náklady, půda, voda, rezidua),
• místo univerzálního doporučení potřebujeme rychlou reformulaci podle dostupnosti surovin a podmínek sezóny.

Kultivované maso je v tomhle až překvapivě podobné: buňky jsou „plodina“ v bioreaktoru a médium je jejich řízená výživa.

Růstové faktory: drahá molekula, nebo špatná strategie?

Největší problém růstových faktorů není jen cena, ale jejich chování v čase. Multus zmiňuje krátký poločas: růstové faktory jsou signální proteiny, které v živém organismu fungují v dynamickém prostředí. V relativně stabilním prostředí velkého bioreaktoru se rychlá degradace mění v nákladovou past.

Zde přichází kombinace dvou přístupů:

1. precizní fermentace pro škálovatelnou výrobu proteinů,
2. výpočetní design proteinů (computational protein design) pro zvýšení účinnosti a prodloužení aktivity.

Tohle je přesně ten typ biotechnologie, kde AI často rozhoduje o ekonomice. Ne proto, že „AI je chytrá“, ale protože:

• dokáže prohledat prostor variant (mutací) a navrhnout kandidáty,
• pomáhá předpovědět stabilitu a vlastnosti proteinů,
• zkracuje cyklus návrh → test → úprava.

Pro potravinářství to znamená jediné: pokud růstové faktory vydrží déle a fungují při nižší dávce, médium dramaticky zlevní.

Škálování není jen objem: jde o suroviny, logistiku a „reformulaci“

Ve velkovýrobě se neptáte, co je ideální. Ptáte se, co je dostupné příští měsíc. Multus správně zdůrazňuje potřebu rychlé úpravy receptur, až budou závody na kultivované maso narážet na omezení dodávek určitých surovin.

Tohle je dnes (prosinec 2025) mimořádně aktuální. Potravinářství v Evropě řeší kolísání cen komodit, tlak na lokálnější zdroje a přísnější požadavky na dohledatelnost. Z pohledu výrobce médií proto dává smysl navrhovat směsi tak, aby:

• šly postavit na potravinářských surovinách s více dodavateli,
• byly robustní vůči výkyvům šarží (variabilita rostlinných extraktů je reálná),
• umožňovaly rychlou reformulaci bez propadu výkonnosti buněk.

Praktický příklad, jak vypadá „AI-ready“ reformulace

V praxi to může vypadat takto: jedna proteinová složka z rostlinného hydrolyzátu má najednou horší dostupnost nebo zdraží. Místo měsíčního hledání náhrady v laboratoři použijete modely, které už mají historická data o tom, jak buňky reagovaly na podobné profily aminokyselin a minerálů. Následuje krátká série cílených testů (ne stovky slepých).

Tohle je přenositelné i do agri-food výroby mimo kultivované maso: rychlá optimalizace receptur je konkurenční výhoda třeba u krmných směsí, fermentovaných potravin nebo funkčních ingrediencí.

Co si z toho mají vzít potravináři a agri firmy v Česku

Nejlepší čas začít s AI v potravinářství je ve chvíli, kdy máte problém s variabilitou a náklady. Kultivované maso je extrémní případ, ale principy platí obecně.

Konkrétní kroky, které fungují i mimo „cellular agriculture“:

1. Digitalizujte data z testování a výroby – bez konzistentních dat není co modelovat.
2. Definujte vícekriteriální cíle – cena na dávku, stabilita, dostupnost surovin, výtěžnost, senzorika, bezpečnost.
3. Zaveďte řízené experimentování (design of experiments) a navažte na něj ML modely.
4. Pracujte s robustností – model má hledat receptury, které přežijí reálný svět (šarže, dodavatelé, sezóna), nejen ideální laboratorní podmínky.
5. Myslete na certifikace a audit od začátku – potravinářská bezpečnost není doplněk, je to designové omezení.

„Škálování potravin není o tom, co jde vyrobit jednou. Je o tom, co jde vyrobit stejně dobře tisíckrát.“

Co bude dál: média jako strategická infrastruktura potravin

Budování závodu na růstová média v UK ukazuje posun celého odvětví: od slibů k infrastruktuře. Pokud se má kultivované maso přiblížit ceně běžných potravin, potřebuje dodavatelský ekosystém stejně „nudný“ a spolehlivý, jako má mlékárenství nebo pivovarnictví.

Pro naši sérii o umělé inteligenci v zemědělství a potravinářství je pointa jasná: AI není jen o kamerách na poli a predikci výnosu. Je i o návrhu ingrediencí a optimalizaci vstupů, které rozhodují o ekonomice výroby. A někdy je největší přínos AI v tom, že zkrátí cyklus „zjistili jsme problém“ → „máme novou recepturu“ z měsíců na týdny.

Pokud řešíte vývoj potravin, fermentace, krmiva nebo nové ingredience, stojí za to položit si jednoduchou otázku: Kde dnes děláme rozhodnutí pocitem, i když bychom je mohli dělat z dat?