Marina mikrober kan göra vätgas – så hjälper AI

Det finns en seglivad myt i energidebatten: att vätgas alltid måste komma från elektrolys och stora, dyra anläggningar. Verkligheten är mer intressant. I haven finns bakterier som redan i dag kan producera stora mängder vätgas som en del av sin naturliga ämnesomsättning.

En studie publicerad 2025 visar att marina bakterier i familjen Vibrionaceae har fler och mer varierade genetiska “maskinerier” för vätgasproduktion än forskare tidigare förstått. Och här blir det extra relevant för oss som jobbar med AI inom läkemedel och bioteknik: samma verktyg som används för att hitta läkemedelskandidater i enorma datamängder kan användas för att hitta, förutsäga och optimera mikrobiella processer för grön energi.

Det här inlägget går igenom vad forskarna faktiskt hittade, varför det spelar roll för svensk energi- och hållbarhetsagenda, och hur AI kan göra skillnaden mellan “spännande labbfynd” och ett skalbart biotekniskt system.

Vad forskarna upptäckte: nya genkluster för vätgas

Kärnpoängen: Genom att sekvensera och jämföra genomer hos Vibrionaceae hittade forskarna två helt nya typer av genkluster kopplade till vätgasproduktion, vilket ökade totalen till sex varianter.

Hyf-typ FHL: bakteriens vätgasfabrik

Bakterierna producerar vätgas genom att bryta ned formiat (formate) till koldioxid + vätgas under jäsning. Det görs av ett enzymkomplex som kallas formiat-hydrogenlyas (FHL), här specifikt kopplat till en Hyf-typ.

En viktig detalj: ett liknande system finns i E. coli, men där är vätgasproduktionen vanligtvis mycket lägre. Det antyder att Vibrionaceae har evolutionära och genetiska justeringar som gör processen mer effektiv.

Olika arter – olika vätgasnivåer

Studien jämförde 16 kända arter och såg tydliga skillnader:

• Högst vätgasproduktion: Vibrio tritonius och Vibrio porteresiae
• Lägst vätgasproduktion: Vibrio aerogenes och Vibrio mangrovi

Det här är mer än kuriosa. Variation är exakt det man behöver när man vill:

1. välja “rätt” mikrober för ett bioprocess-system
2. förstå vilka genetiska komponenter som faktiskt styr output
3. designa förbättrade stammar eller konsortier (kombinationer av mikrober)

Varför just formiat är nyckeln (och varför det är bra)

Kärnpoängen: Vätgasnivåerna hängde ihop med hur bra bakterierna kunde ta upp formiat tillbaka in i cellen. Ju bättre formiatupptag, desto bättre vätgasproduktion.

“Formiat-detoxtifiering” som evolutionsmotor

Forskarna lyfter en tydlig förklaring: vissa vibrios kan ha utvecklat hög vätgasproduktion för att avgifta formiat i sin miljö.

Det här är en praktisk tanke för bioteknik:

• Om vätgasproduktionen delvis är ett “stress-svar” kan man styra den genom processdesign.
• Det öppnar för att optimera produktion genom kontrollerade formiatnivåer, pH, temperatur och näringsprofil.

Från biokemi till processparametrar

För att göra detta industriellt behöver man översätta biologin till styrbara variabler. Exempel på parametrar som blir centrala i en framtida mikrobiell vätgasreaktor:

• formiat-koncentration (matningsstrategi)
• upptagshastighet (transportproteiner)
• redoxbalans och jäsningsvägar
• gasavdrivning (hur man tar bort vätgas utan att hämma cellerna)
• kontaminationskontroll och biosäkerhet

Här passar AI naturligt in.

Där AI faktiskt gör jobbet: från genomet till driftoptimering

Kärnpoängen: AI kan koppla ihop genetik, metabolism och processdata för att både hitta lovande mikrober och driva dem effektivt i skala.

I svensk kontext pratar vi ofta om AI i energisystem (prognoser, styrning, flexibilitet). Men i bioteknik är AI lika kraftfullt, och jag tycker att vi ibland underskattar hur väl de två världarna passar ihop.

AI för att hitta rätt genkluster (snabbare än labbet)

När forskare hittar nya genkluster är nästa fråga: “Vilka fler organismer har något liknande?”

Med AI-baserad bioinformatik kan man:

• klassificera FHL-kluster i stora databaser
• förutsäga funktion baserat på sekvens och struktur
• identifiera co-factors och hjälpproteiner som krävs för hög output

Det här påminner starkt om hur man använder ML i läkemedelsutveckling: man letar mönster i data som är för stora för en människa att överblicka.

Digitala tvillingar för bioprocesser

Nästa nivå är drift. En digital tvilling av en fermentor/bioreaktor kan kombinera:

• online-sensorer (pH, temperatur, ORP, gasflöde)
• labbdata (metaboliter som formiat, laktat, acetat)
• genetisk information (vilket FHL-kluster stammen har)

Med ML kan man sedan optimera:

• matningsprofiler
• omrörning och gasutdrivning
• stabilitet över tid (minimera “drift” i kulturens beteende)

Det är precis samma princip som i läkemedelsproduktion (biologics): stabil process slår alltid “hög topp i labbet”.

AI som riskkontroll: biosäkerhet och kvalitetsstyrning

Vibrionaceae är en familj med både snälla och problematiska släktingar. Vissa är kopplade till sjukdomar (kolera nämns ofta i sammanhanget). Det betyder att en eventuell industrisatsning måste ha en mycket tydlig biosäkerhetsstrategi.

AI kan bidra genom:

• snabb art- och stamidentifiering (genomisk övervakning)
• anomaly detection i sensor- och sekvensdata
• prediktion av kontaminationsrisk i realtid

För mig är detta en viktig brygga mellan AI inom läkemedel/bioteknik och energi: regulatoriskt tänk, spårbarhet och kvalitetsdata är redan vardag i life science—och behövs även i “bioenergi i reaktor”.

Är mikrobiell vätgas realistisk i Sverige 2026–2030?

Kärnpoängen: Ja, som FoU-spår och nischad produktion—men inte som ersättning för elektrolys inom kort.

Vätgas i Sverige drivs just nu mycket av industrins behov (stål, kemi, raffinaderier), och där dominerar elektrolys-kartan. Mikrober ändrar inte det över en natt.

Men mikrobiell vätgas kan bli relevant på tre mer specifika sätt:

1) Biobaserade restströmmar och cirkulär kemi

Om formiat kan produceras eller återvinnas från biogena flöden kan mikrobiell konvertering bli intressant som delsteg i en större kedja.

2) Lokala system där el är dyr eller begränsad

Elektrolys är elintensiv. En mikrobiell process kan i vissa fall vara ett komplement, särskilt om man kan köra på restsubstrat och samtidigt få andra nyttiga produkter.

3) Plattformsteknik för syntetisk biologi

Det mest spännande, enligt mig, är att de nya genklustren blir en verktygslåda:

• för att bygga cellfabriker med bättre vätgasutbyte
• för att styra metabolismen mot stabil gasproduktion
• för att kombinera vätgasproduktion med koldioxidhantering i slutna system

Det är här AI kommer in som accelerationsmotor: snabbare designcykler, bättre prediktioner, färre dyrbara labbrundor.

Vanliga följdfrågor (och raka svar)

Kan man bara “odla havsbakterier” och få grön vätgas? Nej. Du behöver kontrollerad bioprocess, säkerhetsklassning, stabilitet över tid och en ekonomi som håller. Men biologin visar att hög vätgasproduktion är möjligt.

Varför skulle mikrober vara bättre än elektrolys? De är inte “bättre” generellt. De kan vara bättre i specifika fall där substrat finns billigt, där man vill kombinera processer, eller där man vill använda bioteknikens flexibilitet.

Är detta relevant för AI inom läkemedel och bioteknik? Ja. Genomik, modellering, digitala tvillingar och kvalitetsstyrning är gemensamma nämnare. Energi blir en ny applikationsyta för samma AI-kompetens.

Nästa steg: så kan ett pilotupplägg se ut

Kärnpoängen: Ett smart pilotprojekt börjar med datainsamling och modellering parallellt—inte efteråt.

Om du sitter på ett energibolag, en bioteknikstartup eller en forskningsmiljö som vill testa mikrobiell vätgasproduktion är ett rimligt upplägg:

1. Stam- och genklusterurval baserat på genomdata (FHL-typer, formiatupptag)
2. Labbscreening av 5–10 kandidater med standardiserade protokoll
3. Sensorpaket från dag 1 (gasflöde, pH, ORP, temperatur, online-analys där det går)
4. ML-modell som kopplar genotyp + processparametrar till vätgasoutput
5. Optimering i småskala (DoE + modellstyrd iteration)
6. Biosäkerhetsbedömning och inneslutning (tänk life science-standard)

Den praktiska vinsten med AI är inte att den “gissar” bättre än experter. Vinsten är att den kan lära av varje körning och göra nästa körning mer träffsäker.

Vad du kan ta med dig

Den här studien pekar ut något som ofta missas i energisamtalet: naturen har redan byggt fungerande kemiska vägar för energibärare, och vi kan kartlägga dem med modern genomik. Att forskarna hittade två nya typer av FHL-genkluster i Vibrionaceae betyder att designutrymmet är större än man trodde—och att vätgasproduktion inte är ett “one size fits all”-fenomen ens inom samma bakteriefamilj.

För oss i serien AI inom läkemedel och bioteknik är det här en påminnelse om att AI-kompetens i life science inte bara hör hemma i kliniken. Den hör hemma i energifrågan också, särskilt när lösningen sitter i DNA och processen ska styras i realtid.

Om du vill bygga något konkret 2026 är frågan inte om mikrober kan göra vätgas. Det kan de. Frågan är: kan du mäta tillräckligt, modellera tillräckligt och styra tillräckligt bra för att göra det stabilt och lönsamt?