In der weiten, summenden Welt der industriellen Biomanufaktur produzieren Fabriken keine Kunststoffe oder Stahl; sie kultivieren Leben. In massiven Edelstahltanks werden mikroskopisch kleine Organismen wie Bakterien dazu gebracht, wertvolle Substanzen zu produzieren, von lebensrettenden Medikamenten bis hin zu essenziellen Aminosäuren, die in Lebensmitteln und Chemikalien verwendet werden. Der Erfolg dieser Operationen hängt vollständig davon ab, die mikroskopischen Bewohner in einem Zustand perfekter Balance zu halten. Wenn sich die Umgebung auch nur geringfügig verändert – wenn es zu heiß, zu sauer wird oder an Sauerstoff mangelt – können die winzigen Arbeiter aufhören zu produzieren oder, schlimmer noch, absterben. Um dies zu steuern, verlassen sich Ingenieure auf einen ständigen Datenstrom. Einige Messwerte, wie die Temperatur oder der Luftstrom, werden sofort durch Sensoren erfasst. Andere, wie die Konzentration des Endprodukts oder die Anzahl der wachsenden Zellen, erfordern das Entnehmen einer physischen Probe und deren Versand an ein Labor zur chemischen Analyse. Diese Verzögerung, die oft Stunden dauert, schafft einen gefährlichen blinden Fleck. Bis das Labor die Ergebnisse meldet, kann der Fermentationsprozess bereits vom Kurs abgekommen sein, was eine Echtzeitsteuerung nahezu unmöglich macht.

Jahrzehntelang haben Wissenschaftler versucht, diese Lücke mithilfe von Computern zu schließen. Sie bauten Modelle, die versuchen, die verborgenen Werte basierend auf den sichtbaren zu erraten, in der Hoffnung, den zukünftigen Zustand der Kultur vorherzusagen, bevor die Laborergebnisse eintreffen. Frühe Versuche stützten sich auf starre mathematische Formeln, die auf bekannten Gesetzen der Physik und Chemie basierten, aber diese scheiterten oft, weil biologische Systeme chaotisch sind und voller unbekannter Variablen bestehen. Später wandten sich Forscher der künstlichen Intelligenz zu und brachten Computern bei, Muster in historischen Daten zu finden. Während diese „Black-Box“-Systeme aus Erfahrung lernen konnten, hatten sie oft mit zwei großen Problemen zu kämpfen: Sie waren zu langsam, um die langen, komplexen Datensequenzen zu verarbeiten, die während eines vollständigen Fermentationslaufs entstehen, und ihnen fehlte das Verständnis für die biologischen Regeln, die bestimmen, wie verschiedene Variablen einander beeinflussen. Ohlich dieser internen Logik konnte der Computer ein Muster finden, das zwar korrekt aussieht, aber keinen biologischen Sinn ergibt, was zu unzuverlässigen Vorhersagen führt.

Ein Team von Forschern der University of Science and Technology of China und des Suzhou Institute of Biomedical Engineering and Technology hat einen neuen Ansatz vorgeschlagen, um diese spezifischen Schwierigkeiten zu lösen. Sie entwickelten ein System namens G-Mamba, das speziell darauf ausgelegt ist, die Ergebnisse der Tyrosin-Fermentation vorherzusagen – ein Prozess, bei dem gentechnisch veränderte Bakterien eine Aminosäure produzieren, die in Pharmazeutika und Lebensmitteln verwendet wird. Die Forscher konzentrierten sich auf einen Datensatz, der dreißig historische Chargen dieses Fermentationsprozesses enthielt, wobei sie dreißig verschiedene Variablen verfolgten, die von der Geschwindigkeit der Rührblätter bis hin zur Menge des in den Tank eintretenden Sauerstoffs reichten. Ihr Ziel war es, ein Modell zu entwickeln, das zwei kritische Ergebnisse genau vorhersagen kann, die normalerweise nur im Labor gemessen werden: die Dichte der Bakterienzellen und die Konzentration des produzierten Tyrosins.

Der Kern der Innovation von G-Mamba liegt darin, wie es zwei verschiedene Arten des Denkens über Daten kombiniert. Erstens nutzt es eine spezialisierte Architektur, die darauf ausgelegt ist, lange Zeitsequenzen zu verarbeiten. Im Gegensatz zu älteren Systemen, die Schwierigkeiten haben, sich an Ereignisse aus der fernen Vergangenheit zu erinnern oder enorme Rechenleistung dafür benötigen, kann diese neue Struktur die Entwicklung des Fermentationsprozesses über viele Stunden hinweg mit hoher Effizienz verfolgen. Sie lernt, wie der Zustand des Tanks in einem Moment den Zustand Stunden später beeinflusst, und erfasst so das langsame, stetige Driften einer biologischen Kultur. Zweitens, und vielleicht noch wichtiger, ließen die Forscher den Computer nicht raten, wie die Variablen zusammenhängen. Stattdessen speisten sie eine Karte bekannter biologischer Beziehungen in das System ein. Sie sagten dem Modell, dass bestimmte Aktionen, wie die Erhöhung des Luftstroms, die Menge des gelösten Sauerstoffs direkt beeinflussen, und dass die Produktion von Abgasen wie Kohlendioxid mit dem Säuregehalt der Brühe verknüpft ist. Dieses „Vorwissen“ fungiert als Leitfaden und stellt sicher, dass das Modell die tatsächlichen Regeln der Biologie respektiert.

Um dies umzusetzen, teilt das System die Daten in zwei parallele Pfade auf. Ein Pfad konzentriert sich auf die Zeitlinie und beobachtet, wie sich jede Variable Sekunde für Sekunde verändert. Der andere Pfad betrachtet das Geflecht der Verbindungen zwischen den Variablen und nutzt die vorprogrammierte Karte der biologischen Regeln, um zu verstehen, wie eine Änderung in einem Bereich durch das gesamte System nachwirkt. Das Modell besitzt zudem die Fähigkeit, neue, verborgene Verbindungen zu erlernen, die die Wissenschaftler nicht explizit definiert haben, was es ihm ermöglicht, sich an die spezifischen Eigenheiten jeder Charge anzupassen. Schließlich führt ein leichtgewichtiger Mechanismus diese beiden Informationsströme zusammen und entscheidet, wie viel Gewicht der Zeitlinie gegenüber den biologischen Verbindungen zu jedem gegebenen Zeitpunkt beigemessen werden soll. Dies ermöglicht es dem System, nicht nur zu verstehen, was passiert ist, sondern auch warum es passiert ist und was wahrscheinlich als Nächstes geschehen wird.

Als die Forscher dieses neue System gegen acht andere führende Modelle testeten, waren die Ergebnisse eindeutig. In Aufgaben, bei denen das Modell den aktuellen Zustand der Kultur basierend auf jüngsten Daten vorhersagen musste, war G-Mamba genauer als alle seine Konkurrenten. Es zeichnete sich auch dadurch aus, weiter in die Zukunft zu blicken und die Trends der nächsten Stunden mit größerer Zuverlässigkeit vorherzusagen. Der bedeutendste Befund jedoch zeigte sich, als das Modell aufgefordert wurde, sowohl die Zelldichte als auch die Tyrosinkonzentration gleichzeitig vorherzusagen. In diesen Multi-Objective-Aufgaben zeigte das System eine einzigartige Fähigkeit, den Zielkonflikt zwischen den beiden Werten zu verstehen. Es erkannte, dass das Wachstum der Bakterienzellen und die Produktion des Produkts in einem komplexen Tanz des Ressourcenwettbewerbs miteinander verknüpft sind. Durch die gleichzeitige Vorhersage beider Werte verbesserte das Modell seine Genauigkeit bei der schwerer vorherzusagenden Produktkonzentration, indem es das leichter vorherzusagende Zellwachstum als Leitfaden nutzte. Dies deutet darauf hin, dass das System erfolgreich die zugrunde liegende biologische Spannung zwischen dem Überleben des Organismus und seiner Produktionskapazität erfasst hat.

Die Studie hob auch die Effizienz des neuen Ansatzes hervor. Während andere leistungsstarke Modelle erhebliche Rechenressourcen und Speicher benötigten, insbesondere wenn das Vorhersagefenster länger wurde, behielt G-Mamba einen geringen Rechenaufwand bei. Seine Leistung verschlechterte sich nicht, wenn die Eingangsdaten umfangreicher wurden – ein häufiger Fehlerpunkt älterer Technologien. Die Forscher fanden heraus, dass die Fähigkeit des Systems, die bekannten Regeln des Fermentationsprozesses einzubeziehen, entscheidend war; als sie diese biologische Anleitung entfernten, sank die Genauigkeit des Modells signifikant. Ähnlich führte auch das Entfernen der Fähigkeit, langfristige Zeittrends zu verfolgen, zu einem starken Leistungsabfall. Die Kombination dieser beiden Elemente erwies sich als der Schlüssel zum Erfolg.

Letztendlich zeigt diese Arbeit, dass die Zukunft der industriellen Fermentationssteuerung in Hybridsystemen liegt, die sowohl die Daten als auch die Wissenschaft respektieren. Indem wir die künstliche Intelligenz lehren, die Regeln der biologischen Welt zu kennen, anstatt sie blind raten zu lassen, können Forscher Werkzeuge bauen, die nicht nur schneller und genauer, sondern auch vertrauenswürdiger sind. Für die Ingenieure, die diese komplexen Bioreaktoren steuern, bietet ein solches Werkzeug das Versprechen von Echtzeit-Einblicken, die es ermöglichen, den Prozess anzupassen, bevor ein Problem entsteht, und so sicherzustellen, dass jede Charge der Bakterien die maximale Menge an wertvollem Produkt mit der höchsten möglichen Konsistenz produziert. Die Studie bestätigt: Wenn wir leistungsstarke neue Algorithmen mit etabliertem wissenschaftlichem Wissen leiten, können wir Probleme lösen, die zuvor für jede Methode allein zu komplex waren.