Bioprocessos industriais como biodiesel, bioplásticos e penicilina ainda dependem, em grande medida, de organismos que já produzem naturalmente moléculas de interesse. O desafio começa quando a engenharia tenta ir além desse ponto de partida: uma cepa microbiana promissora pode funcionar com precisão no laboratório e, ao ser levada para condições industriais, perder desempenho. No Pacific Northwest National Laboratory, do Departamento de Energia dos Estados Unidos, pesquisadores estão usando inteligência artificial para atacar esse gargalo recorrente da biomanufatura.
O problema é técnico e econômico. Para melhorar um bioproduto, equipes podem passar anos modificando microrganismos, ajustando condições de cultivo e tentando entender por que um resultado obtido em pequena escala não se repete no processo ampliado. A dificuldade está em prever como as características de um organismo respondem simultaneamente aos seus genes e ao ambiente. Esse campo, chamado de fenômica preditiva, lida com interações complexas mesmo em micróbios, nos quais múltiplos fatores influenciam produtividade, estabilidade e resposta a mudanças operacionais.
Um dos casos trabalhados no laboratório envolve a levedura Lipomyces starkeyi, usada em produção de biocombustíveis e previamente modificada para gerar ácido málico, um químico de plataforma com diversas aplicações. A etapa seguinte era aumentar a produção. Em vez de testar manualmente uma longa lista de combinações de nutrientes e condições ambientais, a equipe recorreu a um modelo de aprendizado de máquina chamado Automated Recommendation Tool. A ferramenta passou a orientar o desenho experimental, aprendendo a cada rodada e indicando quais condições deveriam ser testadas em seguida.
O resultado foi um ganho de cerca de 20% na produção de ácido málico em um intervalo curto, segundo os pesquisadores. O ponto relevante não está apenas no aumento obtido, mas na mudança de método: a otimização, frequentemente baseada em tentativa e erro, passa a ser conduzida por um sistema que seleciona caminhos experimentais com base nos dados acumulados. Para uma área em que tempo de desenvolvimento e custo de escala podem definir a viabilidade de um processo, esse tipo de orientação computacional tem impacto direto sobre decisões de engenharia.
A ferramenta usada nesse trabalho foi desenvolvida por pesquisadores do Lawrence Berkeley National Laboratory e do Sandia National Laboratories, no âmbito do Joint BioEnergy Institute e da Agile BioFoundry, iniciativas ligadas ao Departamento de Energia dos Estados Unidos. O PNNL integra ambos os grupos. Essa rede mostra como a aceleração de bioprodutos não depende apenas de algoritmos isolados, mas de uma arquitetura de pesquisa que combina laboratórios nacionais, experimentação biológica e modelagem orientada à manufatura.
Ainda assim, a aplicação de aprendizado de máquina em bioprocessos enfrenta limites claros. Os modelos precisam de medições moleculares específicas, muitas vezes escassas, e podem gerar respostas difíceis de interpretar. Para reduzir esse efeito de “caixa-preta”, os pesquisadores combinam inteligência artificial com modelos em escala genômica, que incorporam conhecimento mecanístico sobre o funcionamento dos organismos. Essa abordagem busca unir capacidade preditiva e explicabilidade, dois requisitos importantes para decisões de desenvolvimento e escala industrial.
Em outro trabalho, a equipe aplicou essa combinação para prever a produção de diferentes cepas de Yarrowia lipolytica, levedura usada em aplicações ligadas a biocombustíveis e outros bioprodutos. Primeiro, um modelo em escala genômica ajudou a preencher lacunas de dados; depois, o conjunto resultante treinou um modelo de aprendizado de máquina capaz de prever concentrações de saída. A ambição declarada é encurtar ciclos que hoje podem consumir anos entre escolha de alvos, engenharia da cepa, avaliação de desempenho e nova rodada de ajustes. O trabalho é apoiado pelo Escritório de Tecnologias de Bioenergia do Departamento de Energia dos Estados Unidos e pela iniciativa interna de fenômica preditiva do PNNL, voltada a compreender sistemas biológicos complexos.
