Molekulární zemědělství: proteiny z polí řízené AI

Rok 2025 je pro alternativní proteiny trochu „vystřízlivění“. Investoři chtějí méně slibů a víc čísel: nákladovost, výtěžnost, stabilní kvalita, škálování. A přesně tady se začíná prosazovat molekulární zemědělství (často „plant molecular farming“) – přístup, který z běžných plodin dělá malé biologické továrny na cílové bílkoviny.

Good Food Institute už před časem postavil trh alt proteinů na třech pilířích: rostlinné výrobky, precizní fermentace a kultivované maso/seafood. Teď přidává čtvrtý pilíř: molekulární farmaření. Můj pohled? Dává to smysl nejen technologicky, ale i ekonomicky – a hlavně se to výborně doplňuje s tím, co v našem seriálu „Umělá inteligence v zemědělství a potravinářství“ řešíme pořád: AI jako nástroj, který dokáže srazit variabilitu a vytáhnout výnos.

Co je molekulární zemědělství (a proč to není jen další GMO debata)

Molekulární zemědělství je výroba konkrétní bílkoviny (nebo jiné molekuly) přímo v rostlině. Genetická informace pro cílovou bílkovinu se vloží do vybrané plodiny (typicky řádkové plodiny jako sója, kukuřice, světlice apod.). Rostlina pak v semeni nebo jiné části akumuluje požadovaný protein, který se po sklizni extrahuje a čistí podobně jako u jiných bioprocesů.

Prakticky to znamená, že místo budování velkých nerezových fermentorů se část produkce „přesune“ do polí a skleníků. A to je zásadní:

• Pole už existují. Dodavatelské řetězce pro setí, sklizeň, skladování a logistiku jsou roky optimalizované.
• Biologie je škálovatelná přes hektary. Zvyšování kapacity může být v některých případech rychlejší než stavba nové výrobní haly.
• Náklady se můžou posunout jinam. Méně CAPEX v oceli, víc důrazu na agronomii, separaci a kontrolu kvality.

Zároveň: ano, jde o genetickou úpravu. Ale v praxi se podnikání v tomhle oboru netočí kolem „jestli je to GMO“, nýbrž kolem tří tvrdých otázek: dá se to regulovat, dá se to vyrábět konzistentně a dá se to prodat.

Čtvrtý pilíř alt proteinů: co se změnilo od 2023 do 2025

Klíčová změna je důraz na průchod regulací a na industrializaci. Už nejde o laboratorní demonstraci. Firmy potřebují prokázat, že plodina nepředstavuje vyšší riziko než běžná varianta, že produkce je stabilní napříč sezónami a že downstream (extrakce/čištění) není finanční černá díra.

Ve zdrojovém článku zazněly dva signály, které trh čte dodnes:

Regulační průlom jako „odblokování“ trhu

Příklad: Moolec získal u světlice (safflower) u amerických úřadů posouzení, že nepředstavuje vyšší rostlinné riziko než ne-upravená světlice. Pro obor to funguje jako referenční moment: když projde jedna plodina jednou regulatorní cestou, snižuje to nejistotu pro další projekty.

Diverzifikace: od fermentace k polím (a zpátky)

Motif FoodWorks šel do partnerství, aby vyráběl ingredienci podobnou myoglobinu (identickou s hovězím myoglobinem) v kukuřici. To je zajímavé hlavně strategicky: firmy přestávají sázet na jediný výrobní přístup. V praxi to často dopadne tak, že:

• určité molekuly dává smysl dělat fermentací,
• jiné molekuly vycházejí líp v rostlinách,
• a některé produkty budou hybridní (část ingrediencí z fermentace, část z molekulárního farmaření).

GFI uvádí, že globálně jde o zhruba 12 firem, které technologii aktivně využívají – od kaseinu a laktoferrinu (ingredience pro „bez-zvířecí“ mléčné výrobky) až po růstové faktory pro kultivované maso.

Kde do toho vstupuje AI: výnos, konzistence a rychlost iterací

Největší slabina molekulárního zemědělství je variabilita. Největší síla AI je variabilitu řídit. Tohle spojení je důvod, proč se téma výborně hodí do AI série.

1) AI pro „design“: kterou plodinu a jaký expresní systém zvolit

Rozhodnutí „kukuřice vs. sója vs. světlice“ není kosmetika. Záleží na:

• cílové tkáni (semeno, hlíza, list),
• očekávané expresi proteinu,
• stabilitě během skladování,
• riziku křížení a kontaminace,
• nákladech na downstream.

AI tady pomáhá přes modelování expresních úrovní a přes predikci, jak se bude protein chovat (např. skládání, glykosylace, degradace). V praxi jde o kombinaci bioinformatiky, ML a experimentální zpětné vazby.

2) AI v agronomii: „bioreaktor“ je pole, a pole se musí řídit

Jakmile je plodina venku, nastupuje precizní zemědělství:

• satelitní a dronové snímky (NDVI, detekce stresu),
• senzory půdy a mikroklimatu,
• predikce chorob a škůdců,
• optimalizace závlahy a výživy.

Rozdíl oproti běžné komoditě je v tom, že tady se nehoní jen tuny/ha. Honí se gramy cílové bílkoviny na kg biomasy a konzistence šarží. AI modely pro predikci výnosu se tak rozšiřují: nejen „kolik sklidíme“, ale „kolik cílové molekuly reálně dostaneme“.

3) AI pro sklizeň a logistiku: správný čas je polovina výtěžnosti

U proteinů vyrobených v rostlinách často rozhoduje, kdy sklízet a jak rychle materiál zpracovat. AI se používá pro:

• odhad optimálního okna sklizně (podle fenologie, stresu, počasí),
• plánování kapacit extrakce a přepravy,
• řízení skladových podmínek tak, aby protein nedegradoval.

Tady se krásně potkává „farm management“ s potravinářským provozem: jedna chyba v logistice může sežrat marži.

4) AI v downstreamu: extrakce a čištění bez pokus–omyl

Downstream bývá dražší, než si startupy na začátku připouští. AI může zrychlit:

• návrh extrakčních kroků (pH, teplota, pufry),
• optimalizaci filtrace a chromatografie,
• detekci odchylek kvality (PAT, NIR, spektrální data).

Jedna věta, kterou si v týmu připomínáme často: „Vyrobit protein je fajn. Umět ho levně a čistě vytáhnout je byznys.“

Co se bude reálně vyrábět: ingredience, které mají jasný odbyt

Molekulární zemědělství je nejsilnější tam, kde je vysoká hodnota ingredience a jasná aplikace. V článku zazněly příklady, které dávají komerčně smysl:

Mléčné proteiny bez zvířat

• kasein (sýry, struktura, tavení)
• laktoferrin (funkční výživa, doplňky, dětská výživa)

Tahle oblast je zajímavá i pro český trh, protože:

• spotřebitelé si hlídají cenu,
• zároveň roste tlak na udržitelnost,
• a potravinářské firmy hledají stabilní dodávky funkčních proteinů.

Ingredience pro chuť a „masový“ profil

Myoglobinové ingredience (analogicky k tomu, co zmiňoval Motif) míří na problém, který alt proteiny pořád řeší: chuť, barva, aroma při tepelné úpravě.

Růstové faktory pro kultivované maso

Tohle je méně viditelné spotřebitelům, ale velmi důležité. Pokud se podaří srazit cenu růstových faktorů, může to odemknout ekonomiku kultivovaných produktů.

Nejčastější otázky z praxe (a stručné odpovědi)

Bude to levnější než precizní fermentace?

U některých molekul ano, u jiných ne. Výhoda je škálování přes zemědělskou infrastrukturu, nevýhoda je variabilita a náročný downstream.

Jak se hlídá kontaminace a oddělení od potravinových toků?

Přes segregované dodavatelské řetězce, smluvní pěstování, testování a pravidla pro manipulaci. V řadě projektů se volí plodiny a lokality tak, aby se minimalizovalo riziko křížení.

Proč je AI tak důležitá právě tady?

Protože zvyšuje předvídatelnost. A bez předvídatelnosti nejde dělat potravinářský kontrakt ani financovat kapacity.

Jak začít: 5 kroků pro firmy v zemědělství a potravinářství

Pokud jste výrobce potravin, zemědělský podnik, technologický integrátor nebo investor, tady je postup, který dává smysl i v českém kontextu:

1. Vyberte 1–2 ingredience, které vás pálí v nákupech (cena, dostupnost, udržitelnost) a mají jasnou aplikaci v portfoliu.
2. Zmapujte, zda dává smysl plodina vs. fermentace – ne ideologicky, ale podle nákladů, regulace a kvality.
3. Nastavte datový základ: agronomická data, laboratorní analýzy, šaržování, sledovatelnost.
4. Postavte AI model na jednoduchém cíli (např. predikce výnosu cílové bílkoviny podle stresu a fenofáze), teprve pak přidávejte složitost.
5. Řešte downstream dřív, než zasadíte první hektar. Nejrychleji se spálí rozpočet na extrakci a čištění, ne na osivu.

V molekulárním zemědělství vyhrává ten, kdo umí spojit genetiku, agronomii, data a potravinářskou kvalitu do jednoho řetězce.

Kam to míří v roce 2026: „protein z pole“ jako normální dodavatelský model

Molekulární zemědělství se v alt proteinech prosazuje jako čtvrtý pilíř, protože řeší to, co trh teď vyžaduje: škálování a ekonomiku. Ne samo o sobě, ale ve spojení s precizní agronomií a automatizací.

A tady je moje jasná teze pro závěr: AI nebude v molekulárním farmaření „nice to have“. Bude to podmínka, aby výroba splnila potravinářskou konzistenci a smluvní dodávky. V seriálu o umělé inteligenci v zemědělství a potravinářství je tohle přesně ten typ tématu, kde se propojuje pole, laboratoř i továrna.

Pokud vás zajímá, jak by mohl vypadat pilotní projekt (od dat přes model až po provozní KPI) pro český podnik, má smysl si sednout nad konkrétní ingrediencí a vašimi reálnými omezeními. Která surovina vám dnes nejvíc rozhazuje náklady a proč?