Mikrober som fångar CO2: AI lär av urandning

Det finns ett rätt obekvämt faktum som ofta hamnar i skymundan när vi pratar klimat: att fånga in koldioxid är bara halva jobbet. Den andra halvan är att göra infångningen energisnål, stabil och ekonomiskt rimlig i industriell skala. Naturen har redan testkört det här problemet i miljarder år.

Forskare har nyligen kartlagt hur mycket gamla mikrober ”andas” utan syre – och samtidigt tar bort CO2 ur sin omgivning. Mekanismen sitter i ett enzymkomplex som kallas Rnf-komplexet, och det fungerar som en biologisk energimaskin där elektronflöden driver en jonpump som i sin tur driver cellens ”turbingenerator” för ATP.

För oss som jobbar med AI inom läkemedel och bioteknik är det här mer än en snygg evolutionshistoria. Det är en konkret mall för hur man kan kombinera biologiska system, beräkningar och AI för att optimera bioprocesser – från koldioxidinfångning till produktion av kemikalier och nya bioaktiva molekyler.

Syrefri cellandning: svaret är natrium, inte syre

Den centrala insikten från studien är enkel: mikrober kan skapa användbar energi (ATP) utan syre genom att koppla elektronöverföring till natriumpumpning.

I vår vardagsbiologi är vi vana vid att syre är slutstationen i cellandningen. Men tidigt i jordens historia fanns i princip inget syre i atmosfären. Ändå behövde livets första energisystem ett sätt att ”stänga kretsen”: flytta elektroner, skapa en gradient och skörda energi.

De bakterier forskarna studerade (bland annat Acetobacterium woodii) lever av CO2 och väte (H2) och omvandlar det till ättiksyra (acetat). Det här är ett av de tidigaste kända metabola spåren i evolutionen. Det som länge var oklart var: hur blir det ATP av det här?

Svaret: acetatproduktionen triggar ett system där natriumjoner pumpas ut ur cellen, vilket skapar en jon-gradient över membranet. När natriumjoner strömmar tillbaka genom en ATP-syntasliknande ”molekylär turbin”, bildas ATP.

En tydlig tumregel: Elektroner skapar rörelse, rörelse skapar gradient, gradient skapar ATP.

Rnf-komplexet: en känslig energimotor som äntligen går att se

Här är grejen om Rnf-komplexet: det är extremt membrannära, känsligt och svårt att isolera. Det är en av anledningarna till att mekanismen varit svår att spika. Nu har forskarna använt kryo-elektronmikroskopi för att få en 3D-bild av strukturen – inte som en statisk klump, utan som ett dynamiskt maskineri.

Elektronflöde som måste ”nå längre än det borde”

I Rnf-komplexet flyttas elektroner stegvis. Det nya här är att forskarna ser hur delar av komplexet rör sig fram och tillbaka, vilket gör att elektronbärarna kan ”överbrygga” avstånd i membranmiljön.

Det här är precis den typen av detalj som spelar roll för bioteknik:

• Små strukturförändringar kan avgöra om ett komplex är effektivt eller läcker energi.
• Dynamik (inte bara struktur) påverkar reaktionshastigheter och stabilitet.
• ”Rörliga” proteiner är svårare att förbättra med klassisk ingenjörskonst – men passar bättre för AI-stödd modellering.

Den nya mekanismen: järn–svavel-kluster som fungerar som magnet

Den mest användbara delen ur ett tillämpningsperspektiv är mekanismen som kopplar elektronöverföring till natriumpumpning.

Nyckelpunkten: mitt i membranet sitter ett järn–svavel-kluster. När klustret tar upp en elektron blir det negativt laddat. Då attraheras positivt laddade natriumjoner från cellens insida.

Den här attraktionskraften sätter igång en ”gungbräde”-rörelse i proteinerna kring klustret. Rörelsen öppnar en passage utåt membranets utsida – och natriumjonerna släpps ut.

Det fina är att detta beskriver en orsak–verkan-kedja som går att modellera:

1. Elektron tas upp (laddning ändras)
2. Jon dras in (elektrostatik)
3. Protein konformationsskiftar (mekanik)
4. Kanal öppnas (transport)
5. Gradient byggs (energilagring)

När du har en kedja som den här kan du faktiskt börja optimera den. Och det är här AI kommer in på riktigt.

Varför det här är relevant för koldioxidinfångning och industriell bioteknik

Det direkta klimatvärdet är tydligt: mikroberna tar upp CO2 och binder den i en produkt (acetat). Men den industriella frågan är alltid densamma: hur får vi upp produktiviteten och ner energikostnaden utan att processen blir instabil?

Från CO2 till kemikalier som faktiskt går att sälja

Acetat är inte bara en ”slutprodukt”. Det är en byggsten. I en bioprocess kan acetat vara:

• en råvara för vidare syntes (till exempel i kedjor som leder mot polymerer eller lösningsmedel)
• en plattformskemikalie i integrerade bioraffinaderier
• en nod i processer där man kombinerar biologi med katalys

Det betyder att ett system som naturligt omvandlar CO2 + H2 → acetat kan bli en del av en större värdekedja – särskilt i en framtid där grönt väte blir billigare och mer tillgängligt.

Vintern 2025: energi, industri och tryck på mätbar klimatnytta

Vi är i slutet av 2025 och många svenska industribolag är i en fas där klimatåtgärder måste vara mätbara och driftsäkra, inte bara strategiska. Det gör biologiska CO2-lösningar extra intressanta, men också brutalt svåra: de kräver styrning, övervakning och optimering i realtid.

Det är svårt att göra manuellt. Det är svårt att göra med enkla regler. Det är gjort för AI.

Så hjälper AI oss att gå från forskningsfynd till robust process

Poängen är inte att ”AI ska ta över biologin”. Poängen är att AI kan göra det möjligt att förstå, förutsäga och styra komplexa biologiska energisystem så att de fungerar i industriell miljö.

1) AI för att modellera proteiners dynamik (inte bara form)

Kryo-EM ger snapshots. Molekyldynamik ger simuleringar. AI hjälper oss skala upp och generalisera:

• identifiera vilka konformationslägen som korrelerar med hög jonpumpning
• föreslå mutationer som stabiliserar ”rätt” rörelsemönster
• minska antalet dyra laboratorieförsök genom bättre prioritering

I läkemedelsutveckling har samma logik redan blivit standard: du screenar inte allt i labb; du screenar smartare med modeller. Jag tycker bioprocessutveckling borde vara lika krass: testkapacitet är dyr, data är guld.

2) AI för processoptimering: från cellnivå till anläggning

Att en mikrob kan pumpa natrium är en sak. Att få en bioreaktor att leverera stabilt i 8 000 drifttimmar är en annan.

AI kan användas till:

• prediktiv styrning av gasflöden (CO2/H2), pH och jonstyrka
• tidig upptäckt av processdrift (t.ex. när gradienten kollapsar eller cellerna stressar)
• optimering av trade-offs: maximal CO2-uptag vs. maximal produktkvalitet

Här är en konkret take: jonbalans och membranenergi är ofta ”osynliga” flaskhalsar i gasfermentation. Med rätt sensorer och modeller blir de styrbara variabler.

3) AI i bioteknikens ”design–build–test–learn”-loop

Det som gör Rnf-komplexet extra relevant är att mekanismen nu är mer begriplig. När du förstår kopplingen mellan elektronflöde och jonpumpning kan du köra en klassisk DBTL-loop:

1. Design: föreslå genetiska förändringar (t.ex. i Rnf-delar)
2. Build: skapa stammar
3. Test: mät CO2-upptag, acetatflöde, ATP-relaterade proxies, stabilitet
4. Learn: låt ML-modeller koppla genotyp → fenotyp → processtal

Det här är exakt samma tankemodell som i modern läkemedelsutveckling, fast målet inte är en molekyl som binder en receptor – utan en organism som håller en process stabil.

Vanliga följdfrågor (och raka svar)

Kan det här ersätta teknisk CCS?

Nej. Biologiska lösningar kompletterar CCS, särskilt där man vill få både klimatnytta och en säljbar produkt. Men volymer, footprint och vätgasbehov gör att det inte är ett universellt substitut.

Varför natrium och inte protoner (H+), som i många andra system?

För vissa anaeroba bakterier är natriumgradienter ett effektivt sätt att lagra energi i miljöer där protonsyster kan vara knepiga att hålla stabila. Det ger också andra designparametrar för industriell kontroll (t.ex. salter, osmolalitet).

Vad är den största risken vid uppskalning?

Stabilitet. Membranprocesser är känsliga för temperaturvariationer, jonsammansättning och stress. Det är också därför AI-baserad övervakning och prediktion är så relevant.

Nästa steg: när biologi, AI och klimatnytta möts på riktigt

Det här forskningsgenombrottet visar inte bara hur uråldriga mikrober klarade sig utan syre. Det visar en konkret, mekanistisk koppling mellan redoxkemi, jontransport och energiskörd – och det gör processen möjlig att simulera och förbättra.

För dig som följer vår serie om AI inom läkemedel och bioteknik är budskapet rakt: samma AI-metoder som accelererar läkemedelsforskning kan användas för att industrialiseras biologisk koldioxidinfångning. Skillnaden är målet: istället för en behandling får du en process som minskar utsläpp och producerar kemiska byggstenar.

Om naturen kunde lösa energifrågan utan syre för miljarder år sedan, borde vi kunna använda AI för att göra den lösningen mätbar, styrbar och skalbar i dagens industri. Vilken del av din verksamhet skulle förändras mest om CO2 gick från avgas till råvara?