Amii und New Harvest beschleunigen mit maschinellem Lernen die Forschung zu kultiviertem Fleisch
Amii und die gemeinnützige Organisation New Harvest haben zwei Studien veröffentlicht, in denen maschinelles Lernen in der zellbasierten Landwirtschaft zum Einsatz kommt, also bei der Herstellung von Lebensmitteln wie Fleisch durch das direkte Züchten tierischer Zellen. Die eine baut einen offenen Datensatz zur Hitzebeständigkeit von Wachstumsfaktoren auf, die andere nutzt Bayessche Optimierung, um bessere Nährmedien zu finden, nach Angaben von Amii in einigen Fällen mit nur halb so vielen Versuchen.
- Amii und New Harvest haben zwei Studien veröffentlicht, die maschinelles Lernen in der zellbasierten Landwirtschaft anwenden.
- Eine Studie baut einen Datensatz zur Hitzebeständigkeit von Wachstumsfaktoren in kultiviertem Fleisch auf.
- Die andere nutzt Bayessche Optimierung, um Rezepturen für Nährmedien zu finden, teils mit nur halb so vielen Versuchen.
- Daten und Modelle sollen der gesamten Branche offen zur Verfügung stehen.
- Die Studien gehören zur zweiten Phase der Zusammenarbeit von Amii und New Harvest.
Zwei Studien, eine Zusammenarbeit
Die Forschung baut auf einer langjährigen Zusammenarbeit zwischen Amii und New Harvest auf, einer gemeinnützigen Organisation, die die zellbasierte Landwirtschaft voranbringen will. Amii zufolge gab es bislang nur begrenzten Austausch und wenig gegenseitige Impulse zwischen den Communitys der zellbasierten Landwirtschaft und des maschinellen Lernens.
Beide Studien sollen der Branche als offene Ressourcen dienen, im Einklang mit dem Open-Source-Auftrag von New Harvest und Amiis Leitsatz "AI for good and for all". Bre Duffy, Director of Responsible Research & Innovation bei New Harvest, sagte, die Projekte gingen die "zwei Haupthindernisse für das Potenzial von ML in der zellbasierten Landwirtschaft" an: "fehlende öffentliche Daten und fehlende Forschende mit Expertise in beiden Bereichen".
Amii beschreibt die zellbasierte Landwirtschaft als aufstrebende Technologie, die Herausforderungen der globalen Lebensmittelindustrie angehen könnte, darunter Nachhaltigkeit, lebensmittelbedingte Krankheiten und ethische Bedenken in der Tierhaltung.
Ein Datensatz zur Hitzebeständigkeit von Wachstumsfaktoren
Die erste Studie, Growth factor thermostability dataset derived from experimental and computational approaches to accelerate cultured meat development, erschien im Juni. Zu den Koautoren zählen Kiana Aghakasiri, Studentin an der University of Alberta und mit Amii verbunden, sowie Dave Staszak und Breanna Duffy. Finanziert wurde die Arbeit von Food System Innovations, einer gemeinnützigen Organisation, die in Lösungen für nachhaltigeres Lebensmittelprotein investiert.
Das Team kombinierte Labortests, Computermodellierung und LLM-gestützte Literaturauswertungen, um Daten zur Hitzebeständigkeit von Wachstumsfaktoren zusammenzutragen, die in kultiviertem Fleisch verwendet werden. Wachstumsfaktoren fungieren als Signale, die Zellen zum Wachsen und zur Differenzierung in Strukturen wie Muskel- und Fettgewebe anregen. Sie können aus pflanzlichen und tierischen Quellen stammen, und verschiedene Faktoren zerfallen bei unterschiedlichen Gartemperaturen.
Zu wissen, wie Wachstumsfaktoren auf Temperatur reagieren, ist laut dem Beitrag entscheidend für Lebensmittelsicherheit und Lebensmittelregulierung. Indem die Forschenden Daten aus unterschiedlichen Quellen in einem Datensatz bündeln, stellen sie nach eigener Aussage der gesamten Wissenschaftsgemeinde ein Werkzeug zur Verfügung.
Bessere Nährmedien schneller finden
Die zweite Studie, A data-driven evaluation of optimization techniques in cell culture media, erschien im vergangenen Monat. Koautoren sind Staszak, Ali Parsaee, früher Machine Learning Resident bei Amii, und Miranda Stahn, früher Program Manager, Western Canada bei New Harvest. Unterstützt wurde sie von Schmidt Sciences, einer philanthropischen Initiative von Eric und Wendy Schmidt.
Die Arbeit befasst sich mit Nährmedien, also den Nährstoffen, in denen Zellen wachsen. Amii zufolge ist es äußerst schwierig, die beste Mischung aus Nährstoffen und Wachstumsfaktoren zu finden, da es Milliarden möglicher Kombinationen gibt. Zudem sei dies einer der kostspieligsten Teile des Prozesses.
Mithilfe einer Form der Bayesschen Optimierung entwickelte das Team ein Modell, das vorhersagt, welche Nährmedien für eine bestimmte Produktion wirksamer sind. Laut Amii fand das Modell optimale Rezepturen deutlich schneller als herkömmliche statistische Methoden, teils mit nur halb so vielen Versuchen. Eine solche Optimierung könne die Produktionskosten drastisch senken und Projektlaufzeiten verkürzen, so Amii.
Was das für die Branche bedeutet
Staszak bezeichnete die beiden Projekte als "sehr praktische, angewandte Probleme", die helfen sollen, zwei Engpässe zu lösen, die einer breiteren Verbreitung der Technologie im Weg stehen: Kosteneffizienz und Sicherheit.
Beide Studien gehören zur zweiten Phase der Zusammenarbeit. In der ersten Phase wurde die aktuelle Forschung zu maschinellem Lernen in diesem Feld ausgewertet, in der zweiten holte man Fachleute hinzu, um maschinelles Lernen auf zentrale Herausforderungen der zellbasierten Landwirtschaft anzuwenden. Da Daten und Modelle offen sind, können andere Forschende sie auch über diese Kooperation hinaus nutzen.
