《Current Opinion in Green and Sustainable Chemistry》:Fermentelligence – Can AI-optimised fermentation of agri-food side streams deliver the sustainable protein promise?
编辑推荐:
在行星边界内满足不断增长的全球蛋白质需求,需要转向更具韧性和循环性的生产模式。农业食品副流的发酵提供了一种有前景的土地节约型替代方案,具有潜在的经济效益,但必须克服诸如原料变异性、分布式供应链和安全性等重大障碍。本文提出将Fermentelligence(AI
在行星边界内满足不断增长的全球蛋白质需求,需要转向更具韧性和循环性的生产模式。农业食品副流的发酵提供了一种有前景的土地节约型替代方案,具有潜在的经济效益,但必须克服诸如原料变异性、分布式供应链和安全性等重大障碍。本文提出将Fermentelligence(AI优化发酵)作为释放这一潜力的关键推动因素。本文通过强调该领域近期的重要工作,展示了机器学习(Machine Learning, ML)和数字技术(Digital Technologies)如何管理系统范围的变异性;包括优化复杂的原料混合物(feedstock blends)、实时过程控制(real-time process control)以及经济与可持续性意识决策(economic and sustainability-aware decision-making)。此外,本文强调了分散式区域中心(decentralised regional hubs)和改造现有资产(如啤酒厂和酿酒厂)以降低资本成本的战略重要性。最后,本文概述了一个去风险路线图,强调开放数据生态系统(open data ecosystems)、食品安全证据(food safety evidence)和试点示范(pilot demonstrations),以加速从线性农业向灵活、AI优化的循环生物经济(circular bioeconomy)的转型。
**1. 引言**
全球蛋白质需求预计将大幅增长,受人口增长、城市化和与收入相关的饮食转变驱动。一项聚焦欧洲的发酵在蛋白质转型中的作用综述预计,2010年至2050年全球食品需求将增长约45%,蛋白质消费也将随之增长。在持续经济增长假设下的政策预测表明,到2050年,动物源蛋白质消费将大幅增加,尤其是在新兴经济体(例如,肉类增加57%,乳制品增加48%),这加强了对替代性和更具韧性蛋白质来源的需求。当前影响的规模加剧了紧迫性:全球食品系统与年温室气体排放、土地利用变化(直接或间接与食品生产相关的土地占用或转换的变化)和水资源利用的很大一部分相关,同时还有大量可被重新导向循环价值化途径的食品损失和浪费。由酵母、细菌、真菌或微藻生产的微生物蛋白(Single-Cell Protein, SCP)具有独特的规模化逻辑:农业随土地面积规模化且具有季节性,而发酵则以体积方式规模化,且可连续或半连续运行,停留时间短。发酵衍生蛋白能够通过实现本地化、土地节约型生产来增强对冲击的韧性,初步建模表明该方法有潜力满足各大洲的蛋白质需求,关键副流包括作物残留物(如秸秆)、农业加工过程中产生的副流(如甘蔗渣)以及可食用食品损失(如过量生产)。
与传统的蛋白质来源相比,实现经济竞争力最可行的情况是微生物蛋白在低成本副流而非精制糖上生产。然而,这会将成本负担从原材料转移到原料处理和预处理,同时增加了原料、过程和供应链变异性的复杂性。美国能源部的一项技术经济案例研究表明,培养基组成的变化可以使关键经济指标相对于基准情况增加或减少10%至37%,具体取决于指标和培养基变化方向。大量证据支持将农业工业副产品及食品废弃物转化为微生物生物量和蛋白质。循环生物经济评论认为,第二代底物(食品废弃物和副流)是实现经济竞争力的最可信路径,特别是当SCP生产整合到零废弃生物精炼概念中,该概念级联多种产品和价值流。在SCP之外,微生物平台能够实现多样化价值流的生物生产,如有机酸、酶、脂质、蛋白质成分、色素、生物活性物质等,这加强了综合生物精炼的论证。其含义是,当嵌入更广泛的生物制造组合时,副流衍生蛋白在经济上变得更加可行。
此外,行业评估强调,满足预计需求需要快速获取发酵能力,并且当存在闲置、退役、未充分利用、过剩或季节性很强的食品级发酵资产时,棕地开发或改造具有吸引力。详细的制造能力分析表明,在技术上可行的情况下,棕地开发和改造可以削减高达70%以上的前期资本支出,并将交付周期缩短至数月。对废弃物到饲料路径的评估描述了一种主导的近中期部署模式:模块化、共址的首个工厂,年产数千公吨,设计用于在乳制品厂、啤酒厂和酿酒厂进行复制和共址,而非巨型设施。同一评估强调,将体积大、水分高的输入品长途运输会损害可行性。为了实现成本竞争力,这表明需要分散的区域生物制造中心,靠近副流来源以降低物流成本,管理异质供应,并通过生产多种产品来保持共享基础设施的利用率。然而,在运营中的啤酒厂、酿酒厂或酿酒厂的主动共利用应被视为有条件而非必然:传统发酵设施对产品质量敏感,可能抵制共享使用,因为驻留微生物群、腐败风险、清洁验证、调度冲突、所有权激励和卫生隔离可能超过共享基础设施的理论收益。
这就是“Fermentelligence”相关之处:AI优化的决策支持,可以使原料灵活、分散的发酵更加可行。其主张并非人工智能本身就能使发酵经济可行,而是它可以帮助协调和优化可变输入、多种价值流和多目标约束(成本、碳、水、安全、可靠性),这些约束否则会阻碍副流SCP的规模化。它还可能降低非专业行业开发发酵产品流的进入门槛,前提是决策仍由过程专家和食品安全证据验证。
**2. Fermentelligence:跨可变分布式系统的AI**
副流发酵高度可变:异质原料、分散供应、季节性波动和生物过程扰动是内在的。人工智能可以从复杂数据中学习并在不确定性下做出决策,使其特别适合解决当前升级利用的六大关键挑战:六个在升级利用过程各阶段运作的领域;经济建模;以及最终的系统级连接、优化和协调组件,包括用于安全、法规和消费者接受度方面的数据收集。然而,Fermentelligence应被视为一种决策支持架构,而非生物过程工程的自主替代品。AI可以支持原料表征、培养基设计、软测量、混合、调度、过程控制以及技术经济分析(TEA)和生命周期评估(LCA)情景分析,但其部署仍受数据稀缺、传感器可靠性、模型漂移、跨菌株/原料/规模的可转移性、可解释性、运营技术网络安全、法规可信度、模型维护和验证成本等因素的制约。
**2.1 副流组成表征**
副流组成复杂且多变;针对性分析(例如纤维含量)可以告知哪种价值化途径最合适,并减少将副流误导向低价值过程。近红外光谱(NIR)正越来越多地被定位为一种快速、无试剂、非破坏性的“绿色”工具,用于高通量生物质表征,便携式和微型化NIR能够实现分散的在线和旁线监测。结合AI,传感器测量可以决定副流的接受或拒绝、混合比例和预处理选择,从而在到达发酵罐之前减少变异性。因此,副流应被视为原料类别而非单一废弃物类别。糖和淀粉丰富的副流、木质纤维素残留物、蛋白质丰富的残留物和混合食品废弃物在水分、C/N比、可发酵碳释放、纤维/灰分/矿物质含量、抑制剂形成、驻留微生物群和固体负载量方面存在差异。这些差异影响微生物选择、预处理、营养补充、氧气转移、污染控制、下游脱水/干燥以及最终生物质组成,因此直接影响产品一致性。
**2.2 副流混合与预处理优化**
一旦副流被表征,下一步就是如何将它们混合成可用的原料,以平滑季节性供应风险并稳定发酵输入。混合物设计结合机器学习(ML)已应用于优化热化学预处理过程中混合农业废弃物的可发酵糖回收率,这明确是由单一原料的物流和季节性约束所驱动的。强化学习(RL)也被提出用于不确定性下的动态混合,其中控制器选择多种废弃物进料的流速和混合比例,以在组成可变的情况下稳定和优化过程性能。
**2.3 发酵监测与控制**
副流发酵面临挑战经典PID和稀疏传感的扰动,需要先进的控制策略。工业验证工作报告了基于RL的控制,该控制离线在PID控制器轨迹上训练,然后通过周期性再训练适应漂移动态,展示了RL在生物过程环境中的现实路径。定量地,该研究报告了相对于PID、经典MPC和标准离策略RL,模拟中积分绝对误差分别减少8%、6%和5%;控制力度分别减少54%、11%和7%;并在变化环境条件下进行了8天实验验证。软测量工作已使用ML从可用测量中推断感兴趣的变量(例如产物浓度或质量代理),但强调实时预测系统需要涵盖开发、部署、监测和再训练的端到端架构,而不仅仅是优化离线精度。对于光学探头难以工作的浑浊发酵,基于超声的监测结合神经网络已被用于非侵入式预测细胞数。发酵可靠性还需要污染检测:基于ML的污染检测可以被构架为异常检测,面临稀缺的污染数据和假阴性高度不对称的成本;这推动了在正常批次上训练的无监督学习方法。贝叶斯RL已被应用于在有限数据下预测收获时间,明确建模生物变异性和模型风险。贝叶斯优化是一种样本高效的方法,它顺序适应并利用不确定性指导实验。它已被推荐为一种在嘈杂、非线性的生物过程空间中优于固定实验设计的方法。混合建模方法可以将机械结构(mechanistic structure)与ML组件结合,以减少模型-过程不匹配;工业发酵案例研究展示了混合模型如何用在线信号替代耗时的离线测量,作为向操作数字孪生(digital twins)迈进的步骤。
**2.4 经济性作为门控约束:早期嵌入技术经济与可持续性**
由于经济性能取决于耦合的选择(原料、预处理、微生物、发酵模式、下游处理),而碎片化的研发重点可能错过系统级权衡,因此需要技术经济分析(TEA)和生命周期评估(LCA)从开始就指导设计和迭代。一份关于发酵衍生成分的技术经济报告指出,许多技术经济模型是专有的或不一致的,限制了透明的学习。开放和代理方法正在改变这一格局,实现快速分析。BioSTEAM提供了一个社区主导的开源平台,用于生物精炼设计、模拟和不确定性下的TEA。BioProcessNexus使ML代理技术经济模型能够在专有TEA工具的蒙特卡罗输出上训练,允许在不共享专有模拟器本身的情况下进行快速筛选。相关的代理TEA工作展示了ML如何将详细的经济评估压缩为快速的早期筛选工具。对于LCA,综述强调了持续的数据挑战:不完整的清单、跨地域的代表性有限以及反映时间动态的困难;ML可以支持缺口填补和不确定性量化。一个LCA视角提出了ML贡献的分类法:代理筛选、ML用于告知模型构建和解释,以及通过多目标优化和排序进行决策支持。
因此,经济问题不在于副流在门口是否便宜,而在于它们在转化为安全、一致的成分后是否仍比精制或糖业底物便宜。较清洁的底物如蔗糖或糖蜜可能具有较高的购买价格,但预处理、灭菌、过滤和质量保证负担较低,而异质副流会增加收集、分类、储存、测试、污染控制、灭菌、预处理/水解、酶、氮和微量元素补充、曝气、下游回收、干燥、废水处理、法规合规、物流和未充分利用的资本支出。AI可以减少混合、路径选择、调度和情景筛选中的不确定性,但它无法消除这些物理和法规成本。环境效益同样是有条件的。虽然微生物蛋白可以替代土地密集型的反刍动物肉或饲料,但如果预处理能量、干燥、运输、营养输入、废水处理、电力组合或低工厂利用率占主导地位,则总环境绩效可能在各个类别中上升或下降。
**2.5 系统级连接、协调与优化**
数字孪生提供了连接传感、预测和决策的软件层,适用于单个单元操作或设备/设施集群。食品行业综述将数字孪生定义为链接到物理系统并不断用传入数据更新的活模型,以监测和预测行为用于决策支持。迁移学习(transfer learning)随后可以以最少的新数据将孪生适应新的菌株、底物或地点。一份Bioprocessing 4.0综述将数字孪生、主动学习(active learning)和贝叶斯优化(Bayesian optimisation)框架为自驱动过程开发的支柱,其价值体现在减少实验负担和加快迭代周期。在知识层,新兴的多智能体大语言模型(LLM)架构使用检索增强生成(retrieval-augmented generation)来检索相关文献并提取结构化字段,以支持微生物蛋白研发工作流。
分布式中心增加了协调挑战:将副流路由到最优设施并决定生产哪些产品。数字工业共生工具提供了一个模板:匹配平台可以使用流体积、物质浓度、价格和接收方需求率来对交换机会进行排序。基于代理的建模表明,此类平台主要通过降低交易成本和协调不确定性下的交换来创造价值。跨多个补料分批发酵罐的经济非线性模型预测控制(nonlinear model predictive control)和调度已被证明是一种在组成扰动下分配可变进料并最大化利润的方法。当与开放的TEA和LCA代理及模拟器耦合时,这些系统可以实现快速筛选和优先级排序。
**2.6 安全、法规与消费者接受度**
食品级副流SCP还需要针对具体产品的安全、蛋白质质量和法规案例。相关证据包括微生物和菌株身份、生产过程、底物来源、污染物、毒素/霉菌毒素(如相关)、过敏原、核酸/RNA水平、氨基酸谱、营养质量、消化率、毒理学、微生物规格、预期用途水平以及批次间一致性。AI和大数据可以帮助组织来源、过程和批次记录,用于档案准备和基于风险的监测,但它们无法替代受控的制造数据或实验性安全证据。消费者接受度是另一个部署约束:由副产品衍生的成分可以从循环性框架中受益,但“废弃物衍生”的定位也可能引发对天然性、安全性、污染物和加工强度的担忧;因此,沟通必须强调受控的升级利用、经验证的安全性和营养价值。
**3. 去风险路线图**
四项赋能行动将实质性降低风险。
- 策划的开放数据集。副流组成、发酵轨迹和下游产量的策划数据集可以支撑基准ML任务,并减少重复努力。数据基础设施视角认为,瓶颈已从模型架构转移到数据质量、标准化、互操作性以及设计-构建-测试-学习周期中的低延迟摄入;FAIR(可发现、可访问、可互操作、可重用)实践和结构化捕获是可扩展优化的先决条件。整个生物制造领域需要数据管理和共享,为AI提供高质量的训练数据,以实现规模化并提升竞争力。
- 开放的TEA和LCA工具链。开放模拟和TEA平台、TEA代理以及集成TEA和LCA指南将降低中小企业(SMEs)和区域联盟评估配置的门槛,并将可持续性和成本约束直接嵌入优化。
- 安全、质量和法规数据。试点研究应生成安全与法规审查所需的数据,包括底物来源、污染物控制、核酸还原、氨基酸谱/蛋白质质量、消化率、过敏性、营养质量、毒理学和批次一致性。
- 试点改造示范。试点项目应仅在现有基础设施闲置、未充分利用、退役或季节性可用时测试改造中心假设,并应明确测量污染控制、清洁验证、产品质量保护、氧气转移需求和经济学。例如,一个啤酒厂侧示范可以在物理隔离操作、经过验证的卫生控制以及有针对性的氧气转移和监测升级条件下,将废谷物和废酵母(以及进口的本地副流)转化为SCP。
**4. 结论**
因此,从农业食品副流生产微生物蛋白是一个结合了生物学、工程学和系统集成的挑战,具有可变原料、分布式物流、污染风险、菌株稳健性要求、底物利用限制、蛋白质质量、产品质量和食品安全约束,以及整个价值链的狭窄利润空间。一个可扩展的路径可能是模块化的区域生物制造中心,理想情况下围绕改造的食品级资产建立,适当地在存在闲置、过剩或季节性容量时,并配置为多产品循环生物精炼厂,以保持基础设施利用率并分散风险。在此背景下,Fermentelligence(AI决策支持与协调)充当了关键缺失的成分,将异质输入转化为可预测的操作和投资级性能。进展现在更少依赖于新算法,而更多依赖于共享数据集、可互操作的数据管道、食品级安全证据,以及验证端到端性能(成本、碳、安全、可靠性)和可重复性的试点改造示范。