综述:人工智能助力细胞培养肉与发酵蛋白的生产:从工艺优化到新型原料设计
《Food Bioscience》:AI Empowering Cell-cultured Meat and Fermented Protein Production: From Process Optimization to Novel Ingredient Design
【字体:
大
中
小
】
时间:2026年08月05日
来源:Food Bioscience 6.2
编辑推荐:
摘要作为新型食品原料,细胞培养肉和发酵蛋白在其生物制造过程中需要运用复杂的生物技术手段与代谢调控机制。然而,传统制造方法在配方优化、结构-功能关系预测以及复杂代谢物分析方面存在诸多难题。本文综述了人工智能与机器学习在细胞培养肉及发酵蛋白生产中的应用进展。首先阐述机器学习和深度学习
摘要
作为新型食品原料,细胞培养肉和发酵蛋白在其生物制造过程中需要运用复杂的生物技术手段与代谢调控机制。然而,传统制造方法在配方优化、结构-功能关系预测以及复杂代谢物分析方面存在诸多难题。本文综述了人工智能与机器学习在细胞培养肉及发酵蛋白生产中的应用进展。首先阐述机器学习和深度学习的核心技术原理;其次从上游菌株设计与成分功能预测、中游生物工艺配方优化与监控、下游产品安全评估与质量控制三个维度,系统分析人工智能如何通过计算技术实现蛋白质结构预测、培养基配方优化与工艺监控、以及代谢特性分析;最后探讨数据标准化、模型可解释性及法规合规性等挑战,并展望自动化实验室与数字孪生生态系统未来的发展方向。本文旨在为借助人工智能实现新型食品原料设计及生物制造过程的智能化升级提供理论参考。
引言
随着全球人口的持续增长以及居民消费水平的提升,人类对蛋白质的需求面临前所未有的压力。据联合国粮食及农业组织统计,到2050年全球人口预计将接近100亿,蛋白质需求量预计将增长50%以上[1]。然而,传统畜牧业在生产动物蛋白的过程中会消耗大量资源并带来环境成本。研究表明,全球畜牧业约占人为温室气体排放量的14.5%,同时还占用大量耕地和水资源[2]。此外,动物疾病风险、抗生素滥用以及伦理问题也日益成为制约传统肉类产业发展的瓶颈[3]。
在此背景下,替代蛋白作为一种可持续解决方案应运而生,主要包括植物蛋白、发酵蛋白和细胞培养肉[4]。其中,植物蛋白是从大豆、豌豆等植物中提取加工而来的;细胞培养肉则是通过体外培养动物细胞来生成肌肉组织;而发酵蛋白则依靠精确的微生物发酵来生产特定的功能蛋白或生物质。由于后两者在营养价值和感官特性上更接近动物源蛋白,因此被视为“人造肉”和“合成蛋白”的核心技术形式[5], [6], [7]。近年来,随着合成生物学和组织工程的进步,这一领域已从概念验证阶段进入工业化初期,已有若干企业获得监管批准进入市场[8]。
尽管前景广阔,但细胞培养肉和发酵蛋白的大规模生产仍面临诸多挑战。虽然二者都属于生物制造范畴,但其技术瓶颈存在显著差异。
对于细胞培养肉而言,核心挑战主要体现在以下几个方面。首先,培养基的成本是实现工业化的主要瓶颈,因为血清替代组分(如生长因子和白蛋白)价格高昂,使得培养基成本占总生产成本的50%以上[9]。其次,菌株的开发受到遗传稳定性和扩增能力的限制,构建高效的功能性菌株是减少对生长因子依赖的关键[10]。第三,在生物反应器放大生产过程中,剪切力导致的细胞损伤是一个重要的工程问题,从实验室规模到工业规模的过程参数优化仍需大量研究[11]。第四,产品质量控制较为困难,目前缺乏有效的过程-质量关联模型,难以通过工艺参数预测最终产品的感官特性[12]。
至于发酵蛋白,其核心挑战主要体现在以下方面。首先,菌株的性能是决定发酵效率的关键因素。宿主细胞(如毕赤酵母)存在密码子偏好性问题,这可能导致蛋白质表达水平低且易产生错误折叠的蛋白质[13]。其次,代谢调控和产品抑制现象十分复杂。生物反应器中微生物的生长与代谢受多种参数影响,副产品的积累可能会抑制目标蛋白的合成[5]。第三,下游纯化成本较高。传统的高纯度纯化方法(如色谱法)并不适用于食品蛋白,因此需要开发以功能为导向的替代下游处理策略[14]。
面对上述复杂生物制造系统带来的挑战,传统的试错方法已显得效率低下。人工智能尤其是机器学习与深度学习技术的快速发展,为食品生物制造带来了新的思路[15], [16]。人工智能技术具备强大的高维数据处理能力和非线性建模能力,能够深入融入菌株选择、工艺优化、过程控制和质量监测等关键环节[17], [18]。例如,机器学习可通过大量数据训练实现复杂任务的自动化,在优化发酵混合工艺、实施设备预测性维护以及提升供应链效率方面表现优异;而深度学习借助分层神经网络可直接从原始数据中提取特征,在处理图像、化学信号等复杂感官数据方面具有显著优势,能大幅提升质量控制的准确性[19], [20], [21]。因此,将人工智能技术融入细胞培养肉和发酵蛋白的制造流程,是实现降低成本、提升效率、规范质量标准以及推动产业化的关键途径。
尽管已有许多关于替代蛋白或人工智能在食品领域应用的独立综述,但现有研究大多仅聚焦单一方面,缺乏从上游研究到下游质量控制的完整链条视角[22], [23]。有鉴于此,本文旨在综述人工智能在细胞培养肉和发酵蛋白生产中的最新研究进展。本文的研究范围限定在生物制造流程层面,重点探讨人工智能在工艺优化(上游菌株/细胞设计、中游工艺控制)和质量控制(下游感官与安全评估)方面的具体应用。整个流程如图1所示。本文不涉及植物蛋白的物理挤压加工技术,因其技术逻辑与生物制造有显著差异。通过系统分析现有的技术路径、面临的挑战以及未来发展趋势,期望为我国细胞培养肉和发酵蛋白产业的智能化升级提供理论参考与技术指导。
章节要点
人工智能的关键技术路径与生物制造对象的概述
人工智能在食品类生物制造领域的应用主要依赖于两大核心技术体系:机器学习与深度学习。虽然二者同属人工智能范畴,但在算法结构、数据需求及适用场景方面存在显著差异。该领域中机器学习与深度学习的对比情况见表1。对于生产过程中产生的多源异构数据(如显微镜图像、蛋白质序列等)
上游研究:细菌菌株与细胞系的智能设计
上游研究是细胞培养肉和发酵蛋白生产的基石,其核心在于获得高产、稳定且安全的细胞系或微生物菌株,并设计出成本合理的培养体系。人工智能在这一阶段的应用主要集中在组学数据挖掘、培养基优化以及蛋白质结构预测方面。
中游制造:生物过程的智能监测与优化
中游制造阶段涉及生物反应器内的细胞或微生物培养过程。其核心挑战在于如何在大规模生产过程中保持这一复杂生物系统的稳定性与一致性。人工智能在这一阶段的应用主要涵盖三个方面:生物反应器内的过程控制、细胞生长状态的无创监测,以及用于放大生产的预测模型,旨在解决其中的非线性与时变问题
下游产品:质量、安全与感官特性的智能评估
下游阶段关注的是最终产品在质量、安全及感官接受度方面的一致性,这是决定细胞培养肉和发酵蛋白能否被市场接受的至关重要因素。人工智能在这一阶段的应用主要体现在营养成分的无损检测、感官质量的数字化关联,以及安全性与保质期的智能预测等方面,它架起了“实验室数据”与“消费者体验”之间的桥梁。
挑战与前景
尽管人工智能在细胞培养肉和发酵蛋白生产中展现出巨大潜力,但其在食品生物制造领域的全面应用仍面临数据、模型及法规等多重挑战。同时,随着技术的发展,构建智能生物制造生态系统将成为产业发展的关键方向。
结论
本文系统梳理了人工智能在细胞培养肉和发酵蛋白整个生物制造链中的研究进展。本综述的独特价值在于:首次从“上游菌株/细胞设计 - 中游工艺控制 - 下游质量评估”的完整工程视角出发,构建了基于人工智能的集成框架;同时清晰地阐明了不同阶段数据特征的本质差异
CRediT作者贡献声明
崔晓辉:指导工作。韩宇:撰写——审稿与编辑,撰写——初稿。丁浩涵:指导工作
利益冲突声明
? 作者声明不存在任何可能影响本文研究结果的已知利益冲突或个人关系。
致谢
本研究得到了中国国家重点研发计划的资助(编号:2024YFE0199500)。
韩宇|丁浩涵|崔晓辉
中国江苏无锡214122,江南大学人工智能与计算机科学学院
生物通微信公众号
生物通新浪微博
今日动态 |
人才市场 |
新技术专栏 |
中国科学人 |
云展台 |
BioHot |
云讲堂直播 |
会展中心 |
特价专栏 |
技术快讯 |
免费试用
版权所有 生物通
Copyright© eBiotrade.com, All Rights Reserved
联系信箱:
粤ICP备09063491号