No vasto e pulsante mundo da biofabricação industrial, as fábricas não produzem plástico ou aço; elas cultivam vida. Dentro de enormes tanques de aço inoxidável, organismos microscópicos como bactérias são induzidos a produzir substâncias valiosas, desde medicamentos que salvam vidas até aminoácidos essenciais usados em alimentos e produtos químicos. O sucesso dessas operações depende inteiramente de manter os habitantes microscópicos em um estado de equilíbrio perfeito. Se o ambiente mudar mesmo que ligeiramente — tornando-se muito quente, muito ácido ou com falta de oxigênio — os pequenos trabalhadores podem parar de produzir ou, pior, morrer. Para gerenciar isso, os engenheiros dependem de um fluxo constante de dados. Algumas medições, como temperatura ou o fluxo de ar, são feitas instantaneamente por sensores. Outras, como a concentração do produto final ou o número de células em crescimento, exigem a coleta de uma amostra física e o envio para um laboratório para análise química. Esse atraso, que muitas vezes dura horas, cria um ponto cego perigoso. No momento em que o laboratório reporta os resultados, o processo de fermentação já pode ter se desviado do curso, tornando o controle em tempo real quase impossível.

Durante décadas, cientistas tentaram preencher essa lacuna usando computadores. Eles construíram modelos que tentam adivinhar os valores ocultos com base nos valores visíveis, esperando prever o estado futuro da cultura antes que os resultados do laboratório cheguem. As tentativas iniciais basearam-se em fórmulas matemáticas rígidas baseadas em leis conhecidas da física e da química, mas estas frequentemente falhavam porque os sistemas biológicos são desordenados e cheios de variáveis desconhecidas. Mais tarde, pesquisadores recorreram à inteligência artificial, ensinando computadores a encontrar padrões em dados históricos. Embora esses sistemas de "caixa preta" pudessem aprender com a experiência, eles frequentemente enfrentavam dois problemas principais: eram lentos demais para lidar com as sequências longas e complexas de dados gerados por uma corrida de fermentação completa e careciam de uma compreensão das regras biológicas que governam como diferentes variáveis influenciam umas às outras. Sem essa lógica interna, o computador poderia encontrar um padrão que parece correto, mas que não faz sentido biológico, levando a previsões não confiáveis.

Uma equipe de pesquisadores da Universidade de Ciência e Tecnologia da China e do Instituto de Suzhou de Engenharia Biomédica e Tecnologia propôs uma nova abordagem para resolver essas dificuldades específicas. Eles desenvolveram um sistema chamado G-Mamba, projetado especificamente para prever os resultados da fermentação de tirosina, um processo no qual bactérias modificadas produzem um aminoácido usado em produtos farmacêuticos e alimentícios. Os pesquisadores focaram em um conjunto de dados contendo trinta lotes históricos deste processo de fermentação, rastreando trinta variáveis diferentes, que variam desde a velocidade das pás de agitação até a quantidade de oxigênio entrando no tanque. O objetivo era criar um modelo que pudesse prever com precisão dois resultados críticos que geralmente são medidos apenas em laboratório: a densidade das células bacterianas e a concentração de tirosina que elas produzem.

A inovação central do G-Mamba reside em como ele combina duas formas diferentes de pensar sobre os dados. Primeiro, utiliza uma arquitetura especializada para lidar com sequências longas de tempo. Diferente de sistemas antigos que lutam para lembrar eventos do passado distante ou exigem enorme poder computacional para fazê-lo, esta nova estrutura pode rastrear a evolução do processo de fermentação ao longo de muitas horas com alta eficiência. Ela aprende como o estado do tanque em um momento influencia o estado horas depois, capturando o desvio lento e constante de uma cultura biológica. Segundo, e talvez mais importante, os pesquisadores não deixaram o computador adivinhar como as variáveis se relacionam. Em vez disso, alimentaram o sistema com um mapa de relações biológicas conhecidas. Eles disseram ao modelo que certas ações, como aumentar o fluxo de ar, afetam diretamente a quantidade de oxigênio dissolvido, e que a produção de gases residuais como o dióxido de carbono está ligada à acidez do caldo. Esse "conhecimento prévio" atua como um guia, garantindo que o modelo respeite as regras reais da biologia.

Para fazer isso funcionar, o sistema divide os dados em dois caminhos paralelos. Um caminho foca na linha do tempo, observando como cada variável muda segundo a segundo. O outro caminho observa a teia de conexões entre as variáveis, usando o mapa pré-programado de regras biológicas para entender como uma mudança em uma área reverbera pelo restante do sistema. O modelo também tem a capacidade de aprender novas conexões ocultas que os cientistas não definiram explicitamente, permitindo que se adapte às peculiaridades específicas de cada lote. Finalmente, um mecanismo leve funde esses dois fluxos de informação, decidindo quanto peso dar à linha do tempo versus às conexões biológicas em qualquer momento dado. Isso permite que o sistema entenda não apenas o que aconteceu, mas por que aconteceu e o que provavelmente acontecerá a seguir.

Quando os pesquisadores testaram este novo sistema contra outros oito modelos líderes, os resultados foram claros. Em tarefas onde o modelo tinha que prever o estado atual da cultura com base em dados recentes, o G-Mamba foi mais preciso do que qualquer um de seus concorrentes. Também se destacou ao olhar mais adiante, prevendo tendências das próximas várias horas com maior confiabilidade. A descoberta mais significativa, no entanto, surgiu quando o modelo foi solicitado a prever tanto a densidade celular quanto a concentração de tirosina simultaneamente. Nestas tarefas de múltiplos objetivos, o sistema mostrou uma capacidade única de compreender o equilíbrio entre os dois. Ele reconheceu que o crescimento das células bacterianas e a produção do produto estão ligados em uma dança complexa de competição por recursos. Ao prever ambos juntos, o modelo melhorou sua precisão para a concentração do produto, que é mais difícil de prever, usando o crescimento celular, mais fácil de prever, como um guia. Isso sugere que o sistema capturou com sucesso a tensão biológica subjacente entre a sobrevivência do organismo e suas capacidades de produção.

O estudo também destacou a eficiência da nova abordagem. Enquanto outros modelos poderosos exigiam recursos computacionais e memória significativos, especialmente conforme a janela de tempo para previsão crescia, o G-Mamba manteve um custo computacional baixo. Seu desempenho não degradou à medida que os dados de entrada se tornavam mais extensos, um ponto de falha comum para tecnologias mais antigas. Os pesquisadores descobriram que a capacidade do sistema de incorporar as regras conhecidas do processo de fermentação era essencial; quando removeram essa orientação biológica, a precisão do modelo caiu significamente. Da mesma forma, remover a capacidade de rastrear tendências temporais de longo prazo também levou a um declínio acentuado no desempenho. A combinação desses dois elementos provou ser a chave para o sucesso.

Em última análise, este trabalho demonstra que o futuro do controle da fermentação industrial reside em sistemas híbridos que respeitam tanto os dados quanto a ciência. Ao ensinar à inteligência artificial as regras do mundo biológico, em vez de deixá-la adivinhar cegamente, os pesquisadores podem construir ferramentas que são não apenas mais rápidas e precisas, mas também mais confiáveis. Para os engenheiros que gerenciam esses complexos biorreatores, tal ferramenta oferece a promessa de insights em tempo real, permitindo que ajustem o processo antes que um problema surja, garantindo que cada lote de bactérias produza a quantidade máxima de produto valioso com a maior consistência possível. O estudo confirma que, quando guiamos algoritmos poderosos com conhecimento científico estabelecido, podemos resolver problemas que eram anteriormente complexos demais para qualquer um dos métodos agir sozinho.