Mikrober som fångar CO2: lärdomar för AI och energi

Det mest intressanta med koldioxid är att den är både problem och råvara. Problemet ser vi i klimatstatistik och i ökade krav på utsläppsrapportering. Råvaran glöms ofta bort – trots att naturen i miljarder år har använt CO2 som byggsten för energi och biomassa. En studie publicerad 2025-03-17 visar exakt hur vissa uråldriga bakterier kan ”andas” utan syre och samtidigt ta upp CO2.

Det här är inte bara evolutionskuriosa. Mekanismen – en slags biologisk energikonverterare som pumpar natriumjoner och driver ATP-produktion – pekar på en praktisk idé: om vi förstår hur naturen optimerar energiflöden under hårda begränsningar, kan vi bygga bättre system för koldioxidinfångning och energieffektivitet. Och det är här vår serie AI inom läkemedel och bioteknik blir konkret. För samma verktyg som hjälper oss att designa läkemedel och tolka omikdata kan också hjälpa oss att skala biologiska processer för industriell klimatnytta.

Vad forskarna faktiskt löste: energin bakom CO2-till-ättiksyra

Kärnan i fyndet är enkel att säga men svår att visa i labb: bakterier som lever utan syre kan omvandla koldioxid (CO2) och väte (H2) till ättiksyra (acetat) – och samtidigt skapa den energivaluta som celler behöver, ATP.

En ”natrium-batteri”-logik istället för syre

I syrebaserad cellandning (som hos människor) driver elektronflöden i membranet en protongradient. Här sker något snarlikt – men med natriumjoner (Na⁺).

Processen i grova drag:

1. Elektroner från väte flyttas stegvis genom ett membranbundet proteinkomplex.
2. Samtidigt pumpas natriumjoner ut ur cellen.
3. När natrium sedan flödar tillbaka in, fungerar ett annat enzym som en molekylär turbin som bildar ATP.

Det är elegant av en anledning: den här typen av mikrober lever i miljöer där resurser är knappa och kemi är ”svår”. De har inte råd med slöseri.

Rnf-komplexet: den känsliga motorn i membranet

Nyckelspelaren heter Rnf-komplexet – en samling proteiner inbäddade i cellmembranet. Under lång tid visste man att Rnf var centralt för elektrontransporten, men inte hur elektronflödet kunde kopplas till natriumpumpning.

Forskarna kombinerade tre typer av evidens:

• Kryo-elektronmikroskopi (cryo-EM) för att se strukturen i 3D.
• Molekyldynamiska simuleringar för att testa hur laddningar och rörelser kan skapa ”portar” för joner.
• Genetiska förändringar i Rnf-proteiner för att bekräfta mekanismen experimentellt.

Resultatet är ett tydligt svar på en gammal fråga: den här respirationsformen fungerar inte genom en statisk ”kabel”, utan genom rörliga proteindelar som växlar läge, ungefär som en mekanisk strömbrytare.

Den nya mekanismen: när en elektron blir en magnet

Den mest citerbara insikten är den som kopplar ihop kemi och mekanik:

En enda extra elektron i rätt läge kan räcka för att flytta en jon genom ett membran.

Järn–svavel-klustret som drar i natrium

Mitt i membranet finns ett järn–svavel-kluster. När det tar upp en elektron blir det mer negativt laddat. Då händer två saker:

• Positivt laddade Na⁺ attraheras mot klustret.
• Proteinstrukturen runt klustret skiftar form och öppnar en väg ut mot utsidan av membranet.

Det här liknar en gungbräda: laddning → formförändring → jontransport. Det är en annan logik än många klassiska modeller för jonpumpar och ger en ny mall för hur biologiska energimaskiner kan byggas.

Varför detta spelar roll för industriell CO2-hantering

Biologi är ofta långsam jämfört med kemiska processer – men den är selektiv och energisnål. Om en mikroorganism kan få energi av att ta upp CO2, finns en tydlig industriell lockelse:

• CO2 kan bli insats istället för avfall.
• Slutprodukter (t.ex. acetat) kan bli plattformskemikalier.
• Processen fungerar i miljöer där syre inte är tillgängligt eller önskvärt.

Det betyder inte att vi kan stoppa in några bakterier i en skorsten och vara klara. Men det betyder att vi nu vet mer exakt vilka molekylära reglage som avgör effektivitet – och det är en förutsättning för optimering.

Där AI kommer in: från strukturbilder till körbar process

När jag pratar med team i biotech är ett mönster tydligt: vi har massor av data men för lite tid. Cryo-EM, omik, processloggar, sensorsystem i bioreaktorer – allt växer snabbare än människors analyskapacitet. AI är inte en ersättare här, utan ett förstoringsglas.

1) AI för att designa bättre varianter av enzymmaskiner

När strukturen för Rnf-komplexet är kartlagd kan AI användas för att:

• förutsäga vilka aminosyraförändringar som ökar stabilitet i industriella förhållanden
• hitta mutationer som ökar jonpumpshastighet utan att krascha proteinets veckning
• rangordna varianter innan man gör dyra labbexperiment

I läkemedelsutveckling är detta vardag: struktur → modell → kandidater → experiment. Samma pipeline fungerar för bioprocesser, med en viktig skillnad: här optimerar du flöde och avkastning, inte bindning till en receptor.

2) AI i bioreaktorn: styrning som faktiskt märks i ekonomin

I praktiken faller många CO2-baserade bioprocesser på drift: gas–vätskeöverföring, pH, spårämnen, temperatur, tryck, skumbildning. Små avvikelser kan sänka utbytet.

AI kan bidra med:

• prediktiv styrning (förutse när processen drar iväg innan den gör det)
• anomalidetektion (hitta mönster som tyder på kontamination eller näringsbrist)
• optimering av gasflöden (CO2/H2-inmatning) för maximal kolinbindning per kWh

Det här är exakt samma tankesätt som i smarta energisystem: minimera energi per nyttig output.

3) Digitala tvillingar som kopplar biologi till energisystem

Den stora vinsten kommer när man slutar se bioprocessen som en isolerad fabrik och istället som en del av ett energisystem.

En digital tvilling kan koppla:

• tillgång på grön vätgas (som varierar med elpris och vind)
• CO2-strömmar från punktkällor
• bioreaktorns dynamik och begränsningar

Målet blir: producera kemikalier när elen är billig och grön, och samtidigt reducera CO2 när flödena är som störst. För svensk industri – med höga ambitioner men också höga krav på robusthet – är den här integreringen ofta skillnaden mellan pilot och full skala.

Från uråldrig metabolism till modern biotech i Sverige

Det här inlägget ligger i vår serie AI inom läkemedel och bioteknik, och det är med flit. För samma kompetenser som byggts upp kring life science i Sverige – bioinformatik, proteinstruktur, processanalys, kvalitetsstyrning – är direkt relevanta för klimatdriven bioteknik.

En praktisk tumregel: optimera det som begränsar energin

Den aktuella forskningen visar att energikonverteringen i dessa bakterier är kopplad till en jonpump kopplad till redoxkemi. I industriell mening betyder det:

• Om Rnf-komplexet är flaskhalsen, optimera Rnf.
• Om natriumgradienten kollapsar p.g.a. processförhållanden, optimera medium och membranmiljö.
• Om elektronflödet stannar vid fel redoxpotential, optimera gasblandning och spårmetaller.

AI kan hjälpa att hitta flaskhalsen snabbare genom att kombinera biologiska mått (tillväxt, metaboliter) med processdata (tryck, gasflöden, temperatur) och strukturdata (proteinvarianter).

”CO2-in som KPI” – mätbar klimatnytta

Om du jobbar med hållbarhet och vill skilja signal från brus: sätt en KPI som går att granska.

Exempel på mätetal som både teknik- och hållbarhetsteam kan enas om:

• kg CO2 bunden per kWh (systemeffektivitet)
• kg produkt per kg CO2 (kolutbyte)
• stabil driftstid i timmar mellan avbrott (skalbarhet)
• kr per ton CO2 bunden (affärsbarhet)

När de mätetalen finns blir AI-projektet också lättare att motivera – och lättare att prioritera.

Vanliga frågor som dyker upp (och raka svar)

Är acetat verkligen en intressant produkt?

Ja, för att acetat kan vara en plattformsmolekyl. Den kan användas vidare i bioprocesser eller kemiska processer för att bygga andra produkter. Värdet sitter ofta i kedjan efter acetatet.

Är det här samma sak som klassisk koldioxidinfångning (CCS)?

Nej. Här handlar det om CCU: koldioxidinfångning med användning där CO2 blir råvara. CCS lagrar CO2, CCU omvandlar den.

Varför pratar vi om AI i en biologinyhet?

För att flaskhalsen sällan är ”kan vi göra reaktionen?”. Flaskhalsen är nästan alltid kan vi styra, optimera och skala den utan att kostnaden skenar? AI är byggt för just den typen av problem.

Nästa steg: gör naturens logik körbar i industrin

Den här forskningen ger något som ofta saknas när man pratar klimatinnovation: en konkret mekanism att optimera. När vi vet hur Rnf-komplexet kopplar elektronflöde till natriumpumpning kan vi börja behandla CO2-omvandling som ingenjörsproblem, inte som ett hopp.

Om du arbetar i energi, processindustri eller biotech är min tydliga ståndpunkt: kombinationen av biologi + AI kommer att avgöra vilka CCU-lösningar som når full skala under andra halvan av 2020-talet. De företag som vinner blir de som kan styra sina bioprocesser lika väl som de styr sin ekonomi.

Vill du testa om din verksamhet har data nog för att optimera CO2-baserade bioprocesser med AI – eller om du först behöver instrumentera rätt? Vilken del av kedjan är din största osäkerhet just nu: enzymet, reaktorn eller energisystemet runtomkring?