Havre med lägre oljehalt: AI vässar hållbar mat

26 miljoner ton havre producerades globalt under 2022. Det gör havre till världens sjunde största spannmål – och en av de mest underskattade råvarorna i omställningen till mer växtbaserad mat. Ändå fastnar havren ofta i något som låter trivialt men som i praktiken styr hela värdekedjan: oljehalten i kornet.

Australiska forskare har nu ringat in biologiska ”startknappar” för hur havrekorn bygger upp olja under utvecklingen, inklusive nyckelenzymer som driver syntesen. Det är en upptäckt som främst låter som växtbiologi – men den får konsekvenser för energiåtgång i processindustrin, råvarukvalitet i växtbaserade produkter och hur AI kan användas för att snabbare ta fram sorter med rätt egenskaper.

Och ja: det här passar faktiskt rakt in i vår serie ”AI inom läkemedel och bioteknik”. Samma metoder som används för att hitta biomarkörer och optimera biologiska processer i läkemedelsutveckling – omics, bildanalys, modellering – går att använda för att styra matens framtid.

Varför oljehalten i havre är en stor affär

Kort sagt: hög oljehalt gör havre svårare och dyrare att mala och stabilisera. Det påverkar både utbytet i kvarnen och möjligheten att skapa nya ingredienser.

Havre skiljer sig från vete och ris genom att den ofta har relativt hög fett-/oljehalt. Det kan vara positivt för näring och smak, men för industrin skapar det flera konkreta problem:

• Lägre processeffektivitet vid malning: mer olja kan ge kladdigare fraktioner, sämre flöde och mer rengöringsbehov.
• Kortare hållbarhet: fetter kan oxidera och påverka smak (härskning), vilket kräver mer kontroll och ibland mer bearbetning.
• Begränsad produktinnovation: särskilt i segment som vill ha neutrala, stabila basingredienser – till exempel havremjöl och växtbaserade proteiningredienser.

Det är här hållbarhetsperspektivet blir konkret. När råvaran är svår att processa blir energin per kilo färdig ingrediens högre. I en värld där energipriser och klimatmål pressar livsmedelsindustrin (och i december 2025 är det fortfarande en högaktuell fråga i norra Europa), blir varje procent bättre utbyte och varje minskat processteg relevant.

”Ta bort oljan” låter enkelt – men är det inte

Det finns metoder för att reducera olja efter skörd, till exempel extraktion med superkritisk koldioxid på delvis malda havreflingor innan vidare malning. Forskarnas poäng är tydlig: det fungerar, men det är arbetskrävande och dyrt.

Min take: när en råvara kräver extra, energikrävande processteg för att passa en snabbväxande marknad (växtbaserat), är det ofta smartare att lösa problemet uppströms. Alltså i förädlingen: ta fram sorter som från början är bättre anpassade för ändamålet.

Upptäckten: enzymer som styr oljebildning i havrekorn

Kort sagt: forskarna spårade var och när olja byggs upp i havrekornet och kopplade det till specifika proteiner/enzymer.

Studien (genomförd av University of South Australia tillsammans med SARDI och University of Adelaide) kombinerade tre kraftfulla angreppssätt:

1. Rumsupplöst bildanalys för att se hur olja ackumuleras i kornet under utvecklingen.
2. Lipidomik (analys av lipider/fetter) för att förstå vilka lipider som byggs.
3. Proteomik (analys av proteiner) för att förstå vilka proteiner/enzymer som är aktiva.

Det fina här är inte bara att man ser att oljehalten skiljer sig mellan sorter, utan att man börjar förstå mekanismen – och kan peka ut enzymatiska ”reglage” som potentiellt går att påverka via växtförädling.

Kopplingen mellan olja och stärkelse – viktigare än den låter

Forskarna beskriver också ett biologiskt ”samtal” mellan lipidreglering och stärkelsesyntes under kornutvecklingen. För industrin är det en nyckelfråga:

• Sänker du oljan, händer något med stärkelsekvalitet, textur eller avkastning?
• Påverkas växtens robusthet?
• Hur ändras funktionella egenskaper som vattenbindning, bakning och extrudering?

Det är exakt den typen av systemsamband som AI är bra på att modellera.

Där AI kommer in: från biomarkörer till energismart process

Kort sagt: AI kan göra låg-olja-förädling snabbare och göra processkedjan mer energieffektiv.

I läkemedelsutveckling används AI för att hitta mönster i stora biologiska datamängder: proteomik, metabolomik, bilddata, kliniska data. Här är datatyperna annorlunda – men logiken är densamma.

1) AI för att hitta markörer och förkorta förädlingscykler

Växtförädling lider ofta av ett tidsgap: du korsar, odlar, mäter, väntar. Med omics + AI går det att närma sig ett biomarkör-tänk som känns igen från bioteknik:

• Träna modeller som kopplar proteom-/lipidprofiler till slutlig oljehalt.
• Identifiera molekylära markörer som kan mätas tidigt i utvecklingen.
• Välj bort kandidater tidigt och fokusera fältförsök på de mest lovande.

Det betyder färre säsonger för samma lärande. Mindre spill av resurser. Snabbare väg till sorter som passar marknaden.

2) AI för att optimera malning, torkning och stabilisering

När råvarans egenskaper varierar måste processen ”överdimensioneras” för att klara sämsta fall. Med prediktiva modeller kan man i stället köra mer adaptivt:

• Prognos av oxidationsrisk och behov av stabilisering baserat på inkommande partiprofil.
• Optimering av processteg (temperatur, tid, energi) för att nå mål för hållbarhet och funktion.
• Upptäckt av avvikelser tidigt (vision + sensorer) som minskar kassation.

Det här är en direkt bro till kampanjens tema: AI inom energi och hållbarhet. Energioptimering i livsmedel är ofta ”marginaler”, men i stora volymer blir marginaler pengar och utsläpp.

3) Digitala tvillingar för spannmålskedjan

En digital tvilling behöver data. Upptäckter som den här ökar datakvaliteten: du går från ”oljehalt är hög” till ”oljehalt beror på X och Y i utvecklingsfas Z”. Då kan du bygga modeller som spänner över:

• Genetik (sort)
• Odling (miljö, jord, väder)
• Skörd och lagring
• Process (kvarn, ingrediensproduktion)
• Slutproduktens funktion

Det gör det också lättare att räkna på energi per kilo användbar ingrediens, inte bara per kilo spannmål.

Vad betyder låg-olja-havre för växtbaserad mat i Norden?

Kort sagt: mer stabila ingredienser, bättre utbyte och fler produkter som faktiskt fungerar i industrin.

Sverige och Norden har en stark havrekultur (inte bara i gröten). Efterfrågan på havrebaserade drycker, yoghurtalternativ och proteinblandningar är fortsatt hög, samtidigt som kunderna blivit mer kräsna: bättre smak, bättre textur, färre tillsatser.

Lägre oljehalt kan ge:

• Mer neutrala basingredienser till plantbaserade produkter
• Stabilare smakprofil över tid (mindre risk för oxiderade toner)
• Högre malningsutbyte och enklare logistik i kvarn
• Bättre förutsägbarhet i industriell process (extrudering, fermentering, bakning)

Det finns en intressant parallell till bioteknik: i fermenterade havreprodukter (t.ex. ”havreyoghurt”) är råvarans lipidsammansättning ofta en del av varför en process blir stabil eller bråkig. Den som jobbat med uppskalning vet att små skillnader i råmaterial kan ge stora skillnader i tank.

Men vänta: är inte olja nyttigt?

Jo, och det är en relevant invändning. Låg-olja-havre är inte ”bättre” för alla syften. Poängen är segmentering.

• För konsumentnära produkter där smak och näring är centralt kan en viss oljehalt vara önskvärd.
• För ingrediensmarknaden (mjöl, proteinfraktioner) kan lägre oljehalt vara avgörande för ekonomi och kvalitet.

Det är samma logik som i läkemedel: du optimerar inte allt för en enda parameter, du optimerar för rätt målprofil.

Praktiska steg: så kan företag använda insikten redan nu

Kort sagt: börja behandla spannmål som en datatillgång, inte som en bulkvara.

Om du jobbar i livsmedel, agtech, bioteknik eller energiledning finns det en tydlig väg från forskning till affärsvärde:

1. Kartlägg variationen i råvara

   • Mät oljehalt och relaterade kvalitetsparametrar per parti (och koppla till leverantör, skördeperiod, lagring).

2. Knyt kvalitet till energi och utbyte

   • Följ energiförbrukning, driftstopp, rengöringsintervall och kassation – och koppla till partidata.

3. Bygg en enkel prediktionsmodell

   • Du behöver inte börja med en komplex AI-stack. En robust modell som förutser ”riskpartier” kan spara mycket.

4. Skapa en gemensam språkbild mellan R&D och drift

   • När biologer pratar enzymer och fabriken pratar kWh måste någon översätta. Det är ofta där värdet uppstår.

5. Samarbeta med förädlare och inköp

   • Om marknaden börjar premiera funktionella egenskaper (t.ex. låg oljehalt för vissa användningar), flyttas incitamenten snabbt i kedjan.

En mening att ta med sig: Den mest hållbara kilowattimmen i livsmedel är den som aldrig behövde användas för att kompensera för en felmatchad råvara.

Vart det här leder – och vad jag tror händer 2026

Fynden från Australien pekar på en ny fas för havre: från ”hälsospannmål” till precision-ingrediens. När man kan styra oljehalten via förädling och samtidigt förstå bieffekter på stärkelse och funktion, blir havre en mer flexibel byggsten i växtbaserade livsmedel.

För oss som följer AI inom läkemedel och bioteknik är det här ett välkommet kvitto på att teknikerna inte stannar vid labbet och kliniken. Omics och AI handlar i grunden om att förstå och styra biologi i komplexa system. Mat är ett av de mest komplexa systemen vi har.

Vill du ta nästa steg? Börja med en enkel fråga i din egen verksamhet: vilken råvaruparameter driver egentligen mest energi, svinn och kvalitetsproblem i vår process – och mäter vi den tillräckligt bra för att en modell ska kunna hjälpa oss?