Molekulární farmaření: AI urychlí novou éru bílkovin

V roce 2023 začal Good Food Institute mluvit o „čtvrtém pilíři“ alternativních proteinů. Ne o dalším typu burgeru z hrachu, ani o kultivovaném mase z bioreaktoru, ale o něčem, co zní na první poslech zvláštně prakticky: pěstovat živočišné bílkoviny v rostlinách. Přesněji: nechat plodiny fungovat jako malé biologické továrny.

Pro české zemědělství a potravinářství to není jen technologická kuriozita ze zámoří. V prosinci 2025 je tlak na stabilitu dodavatelských řetězců, náklady na energie, ceny krmiv i uhlíkovou stopu pořád velmi reálný. A když se do toho přidá skokový pokrok v AI (modely pro předpovědi výnosů, optimalizaci výroby a řízení rizik), začíná dávat smysl uvažovat, jestli molekulární farmaření není „tichá“ cesta, jak vyrábět vybrané potravinářské ingredience levněji a lokálněji.

Tenhle článek zapadá do série „Umělá inteligence v zemědělství a potravinářství“: ukazuje, kde molekulární farmaření reálně sedí v mapě potravinových technologií a hlavně kde AI přidává největší hodnotu – od šlechtění přes agronomii až po plánování kapacit a kvalitu.

Co je molekulární farmaření a proč ho GFI staví na úroveň „pilíře“

Molekulární farmaření (plant molecular farming) je výroba cílové bílkoviny (typicky „živočišné“ nebo mikrobiální) pomocí geneticky upravené plodiny, která ji vytváří v semenech, hlízách nebo jiné části rostliny. Klíčová věc: místo aby se bílkovina vyráběla v ocelovém fermentoru nebo v buněčné kultuře, „vyrobí“ se během růstu plodiny.

GFI dlouhodobě popisuje tři hlavní směry alternativních proteinů:

• rostlinné alternativy (plant-based),
• precizní fermentace (precision fermentation),
• kultivované maso/ryby (cultivated).

Molekulární farmaření se k nim přidává jako čtvrtý pilíř, protože má odlišnou ekonomiku i infrastrukturu. Jeho silná stránka je jednoduchá a trochu „zemědělsky přízemní“: pole, sklizeň, skladování, zpracování – tohle už umíme. Neříkám, že je to bez překážek, ale na rozdíl od některých biotechnologií to nestojí celé na výstavbě drahých továren od nuly.

Snippet pro praxi: Molekulární farmaření je nejzajímavější tam, kde chcete vyrábět konkrétní ingredienci (enzym, mléčný protein, růstový faktor) ve velkém objemu a s nízkou jednotkovou cenou.

Proč to začíná dávat ekonomický smysl právě teď

Důvod je nákladová křivka. Rostliny jsou extrémně efektivní v přeměně sluneční energie na biomasu. Když se z plodiny stane „bioreaktor na poli“, nákladově se přiblížíte klasickému zemědělství – s tím rozdílem, že místo komodity sklízíte surovinu s vyšší přidanou hodnotou.

Z pohledu trhu se navíc potkávají tři trendy:

1. Hledání levnějších cest k funkčním bílkovinám (např. proteiny pro sýry, zmrzliny, jogurty, nebo specializované enzymy).
2. Tlak na stabilitu dodávek (některé ingredience jsou citlivé na globální logistiku a kapacity).
3. Zvyšující se nároky na transparentnost a řízení rizik (kvalita, kontaminace, sledovatelnost).

V původním článku se zmiňuje, že technologie nabírá rychlost i díky regulatorním posunům. Příkladem je firma, která získala v USA posouzení, že jejich plodina nepředstavuje vyšší „rostlinné riziko“ než běžná varianta. To je signál pro investory i potravinářské partnery: „tady existuje cesta k povolení“.

Moje zkušenost z inovací v potravinách je, že jakmile se objeví aspoň jeden průchodný regulatorní vzor, začne se rychle kopírovat – ne nutně stejný produkt, ale stejné „papírování“ a proces.

Kde do toho vstupuje AI: od semínka po dodavatelský řetězec

AI v molekulárním farmaření není marketingová ozdoba. Je to nástroj, který zvyšuje pravděpodobnost, že se projekt dostane z prototypu do stabilní výroby. Nejde jen o laboratorní fázi – největší bolest bývá škálování a konzistence.

AI pro návrh a optimalizaci exprese proteinů

První problém je biologický: kolik cílové bílkoviny rostlina opravdu vyrobí a kde se bude v rostlině hromadit. Moderní přístupy kombinují:

• predikci sekvencí a struktury proteinů,
• modelování exprese (promotory, regulační elementy),
• hledání variant, které jsou stabilní a „nezatěžují“ rostlinu.

Tady AI zkracuje cyklus pokus–omyl. Místo desítek iterací se dá rozumněji vybírat, co má smysl testovat v mokré laboratoři.

AI v agronomii: výnos není jen „tuny z hektaru“

V molekulárním farmaření není klíčový jen výnos plodiny, ale i koncentrace cílové bílkoviny. To je jiná metrika než v běžné produkci.

AI se uplatní v:

• precizním zemědělství (variabilní hnojení, závlaha, ochrana),
• monitoringu stresu plodin (satelitní data, drony, multispektrál),
• predikci sklizňového okna (kdy je koncentrace bílkoviny nejvyšší).

Praktický dopad: i malý nárůst stability (méně „špatných“ šarží) může rozhodnout, jestli se výroba vyplatí.

AI v potravinářství: kvalita, bezpečnost, sledovatelnost

Další fáze je zpracování a purifikace ingredience. AI se dá využít pro:

• řízení procesních parametrů (teploty, pH, filtrace) pomocí prediktivních modelů,
• detekci odchylek v kvalitě (NIR spektroskopie, procesní senzory),
• plánování výroby a zásob (aby se nevyhazovalo a nepřetěžovaly kapacity).

Jedna věta, kterou si ukládám: Bez digitální kontroly kvality se molekulární farmaření bude chovat jako „nová plodina“, ale trh po něm chce, aby se chovalo jako „farmaceutická surovina“. AI je most mezi těmito dvěma světy.

Co se dnes v molekulárním farmaření vyrábí (a proč jsou to hlavně ingredience)

Nejrychleji se prosazují produkty, které:

• mají jasné využití v potravinářství,
• nepotřebují „celý steak“, ale konkrétní funkci (chuť, textura, srážení, výživa),
• mají vyšší hodnotu na kilogram než běžná komodita.

V praxi jde často o:

• mléčné proteiny bez zvířat (např. pro výrobu sýrů a fermentovaných výrobků),
• funkční proteiny jako lactoferrin (výživa, funkční potraviny),
• enzymy typu chymosin (klíčová surovina pro sýrařství),
• růstové faktory (zejména pro kultivované maso, kde patří mezi nejdražší složky).

Tohle je důležité i pro český kontext: pokud se molekulární farmaření uchytí, pravděpodobně nezačne „hotovými potravinami“, ale B2B ingrediencemi pro mlékárny, výrobce alternativních produktů, výživu a specializované potravinářské provozy.

Realistické překážky: co se často podceňuje

Molekulární farmaření má potenciál, ale většina projektů narazí na stejné kategorie problémů. Tohle jsou ty, které vidím jako nejvíc „make or break“.

Oddělení toků a prevence nechtěného mísení

Pokud pěstujete plodinu určenou na výrobu specifické bílkoviny, musíte mít procesy, aby se:

• nemíchala s potravinářskými komoditami,
• neztratila sledovatelnost,
• minimalizovalo riziko křížení nebo úniku materiálu.

To je logistika, skladování, čištění techniky a smluvní nastavení. AI pomůže v plánování, ale disciplínu v provozu nenahradí.

Konzistence šarží

Potravinářský odběratel chce stabilitu. Pole je variabilní prostředí. Řešení je kombinace:

• agronomických modelů,
• senzoriky,
• statistické kontroly kvality,
• „digitálního dvojčete“ procesu (alespoň v jednodušší podobě).

Přijetí spotřebitelem a komunikace

V Evropě (a tím i u nás) bude hrát roli, jak se o technologii mluví. Pokud firma komunikuje neurčitě, schytá to z obou stran. Funkční přístup je popisovat:

• co přesně se vyrábí (např. konkrétní protein),
• k čemu to slouží (funkce v potravině),
• jak se hlídá bezpečnost a dohledatelnost.

Jak mohou začít české firmy: 5 kroků bez sci-fi rozpočtů

Pokud jste z potravinářství, agra nebo dodavatelských služeb, dává smysl začít pragmaticky. Tady je postup, který jsem viděl fungovat i u jiných biotechnologií:

1. Vyberte „ingredienci s bolestí“: něco, co je drahé, nestabilně dostupné nebo strategické (enzym, protein, funkční složka).
2. Zmapujte, co je kritická metrika: výtěžnost, čistota, funkčnost v receptuře, nebo cena za dávku (ne za kilogram).
3. Navrhněte datový plán od začátku: jaká data z pole, zpracování a kvality budete sbírat; bez toho AI nefunguje.
4. Ověřte odběratelský zájem před pilotem: dopisy o záměru, testovací šarže, specifikace kvality.
5. Postavte řízení rizik: oddělení toků, auditovatelnost, krizové scénáře.

Nejlepší pilot je ten, který má jasný „exit“: buď škálujeme, nebo to stopneme, protože metrika X nevyšla.

Co si z toho odnést pro AI v zemědělství a potravinářství

Molekulární farmaření je zemědělská technologie, která se chová jako biovýroba. A právě proto do ní AI zapadá tak přirozeně: propojuje variabilitu pole s požadavky průmyslové kvality.

V rámci série „Umělá inteligence v zemědělství a potravinářství“ tohle téma ukazuje jednu zásadní lekci: AI nepřináší hodnotu tím, že „dělá chytré grafy“. Přináší ji tím, že snižuje variabilitu, zkracuje iterace a zlepšuje rozhodování – od šlechtění přes agronomii až po plánování výroby.

Pokud vás zajímá, jak by AI mohla pomoci právě ve vašem provozu (od predikce výnosu a kvality až po plánování kapacit a zásob), napište si seznam tří míst, kde dnes vzniká nejvíc ztrát nebo nejistoty. Dost často je to zároveň nejlepší start pro projekt, který generuje leady i reálné úspory.

A teď ta otázka do další debaty: která potravinářská ingredience je u vás nejvíc „kritická“ a co by se stalo, kdyby byla zítra o 30 % dražší nebo nedostupná?