AI en protein folding: een virtuele speeltuin

Voedingsbedrijven besparen tijd, geld en verspilling dankzij eiwitsimulatie

De voorspelling van eiwitstructuren gold jarenlang als een van de grootste uitdagingen in de biowetenschappen. Sinds de doorbraak van AlphaFold – de AI-tool van DeepMind, in 2024 bekroond met de Nobelprijs voor Scheikunde – is dat onderzoek in een stroomversnelling gekomen. Waar onderzoekers vroeger maanden of zelfs jaren nodig hadden om de 3D-structuur van een eiwit te bepalen, kan dat vandaag met artificiële intelligentie in een fractie van de tijd. Omdat eiwitten van belang zijn bij de smaak, textuur en functionaliteit van voedingsproducten, opent deze ontwikkeling enorme kansen voor voedselverwerkende bedrijven.

Eiwitstructuren

Martin Schwersensky, machine learning engineer bij ML6, legt uit wat AI en protein folding precies inhoudt en hoe voedingsbedrijven er vandaag de dag al voordeel uit kunnen halen.

Wie is ML6?
Vanuit hun hoofdkantoor in Gent en vestigingen in Amsterdam, Berlijn en München begeleidt het Belgische AI-bedrijf ML6 bedrijven in uiteenlopende sectoren bij het inzetten van artificiële intelligentie. Voor de voedingsindustrie biedt ML6 niet alleen technische oplossingen, maar ook strategisch advies. Bedrijven kunnen er terecht voor een eerste verkenning van de mogelijkheden van AI, het scherpstellen van hun innovatievraag en het ontwikkelen van proof-of-concepts op maat. Skyhaus, de koepel boven enkele AI-bedrijven waaronder ML6, behaalde volgens de Nationale Bank van België in 2024 een omzet van zo'n 12,5 miljoen euro, met een winst van een kleine 2 miljoen euro.

Om te beginnen: wat zijn eiwitten en wat bedoelen we met protein folding?

Scwhersensky: "Eiwitten zijn grote biologische moleculen die bijna elke functie in levende organismen regelen: van spijsvertering tot afweer. In voeding zijn ze overal aanwezig: gluten in brood, caseïne in melk, enzymen in bier of kaas. Elk eiwit bestaat uit een lange keten aminozuren. Die keten vouwt zich vanzelf op tot een driedimensionale structuur: dat noemen we protein folding. Die structuur bepaalt welke rol het eiwit kan spelen. Net zoals een sleutel alleen past in het juiste slot, bepaalt de vorm van een eiwit zijn functionaliteit. Voor voedingsbedrijven is het begrijpen van die structuren essentieel."

Wat maakt die eiwitstructuren zo belangrijk voor voeding?

"Een saus die snel schift, een vleesvervanger die korrelig aanvoelt of een brood dat niet mooi rijst: vaak ligt dat aan hoe de eiwitten zich gedragen. Hun structuur bepaalt of een product luchtig, romig of stabiel is. Neem mayonaise: de emulsie blijft alleen stabiel zolang de eiwitten de olie- en waterfasen samenhouden. Afhankelijk van de structuur lukt dat beter of slechter. Hetzelfde geldt voor gluten die de elasticiteit van deeg bepalen, of voor melkeiwitten die de romigheid van yoghurt geven. Een kleine variatie kan dus een groot verschil maken in productkwaliteit."

Hoe helpt AI om die structuren beter te begrijpen?

"Tot voor kort moest je dat experimenteel bepalen, wat te vaak een traag en duur proces is. Vaak zelfs onmogelijk. AI-modellen zoals AlphaFold voorspellen nu met hoge nauwkeurigheid de meeste 3D-structuren enkel op basis van de aminozuurvolgorde. Dat geeft voedingsbedrijven een virtuele speeltuin: je kan simuleren wat er gebeurt als je een eiwit licht aanpast, of hoe stabiel een structuur blijft bij verhitting of verwerking. Dat scheelt enorm in tijd, kosten en verspilling."

Wat doet ML6 zelf op dit vlak?

"We gebruiken bij ML6 een breed scala aan tools: AlphaFold, diffusion-modellen, ESM-modellen en andere. Elk van die modellen heeft zijn eigen sterktes en toepassingsdomeinen. Diffusion-modellen genereren bijvoorbeeld eiwitstructuren op basis van fysieke randvoorwaarden. Daarmee kan je, in tegenstelling tot AlphaFold, niet zomaar de structuur van een sequentie voorspellen maar wel een gepaste structuur creëren voor een bepaald probleem zoals binding aan een specifieke molecule.

"Dat kan je combineren met een model als ProteinMPNN, dat vervolgens de meest waarschijnlijke sequentie voor die structuur genereert. Zo sluit je de lus: van de randvoorwaarden van een probleem naar een bijpassende sequentie. ESM-modellen behoren tot de familie van protein language models (plm’s), die zijn getraind op enorme hoeveelheden eiwitsequentie - net zoals taalmodellen op natuurlijke taal.

Waar onderzoekers vroeger maanden of zelfs jaren nodig hadden om de 3D-structuur van een eiwit te bepalen, kan dat vandaag met artificiële intelligentie in een fractie van de tijd

"Ze leveren embeddings: wiskundige representaties die gebruikt kunnen worden om andere taken op te lossen, bijvoorbeeld het voorspellen van bindingssterkte of het genereren van nieuwe sequenties die functioneel verwant zijn. Al die modellen vullen elkaar aan en kunnen in combinatie worden ingezet voor toepassingen zoals het verbeteren van hittebestendigheid of bindingscapaciteit van een eiwit.

"Dit proces is echter een probabilistische keten, waarbij elk model een potentiële foutmarge introduceert. Het resultaat is geen enkel, gegarandeerd eiwit, maar een lijst van veelbelovende kandidaten die zorgvuldig moeten worden gefilterd en gerangschikt voordat experimentele validatie kan plaatsvinden."

Kun je meer praktische voorbeelden geven voor voedingsbedrijven?

"AI wordt vandaag vooral ingezet om de ontwikkeling van glutenvrije producten te versnellen. Door de eigenschappen van verschillende ingrediënten te analyseren, kunnen de modellen plantaardige eiwitten en zetmelen identificeren die het best de functionele eigenschappen van gluten nabootsen. Voor zuivelvervangers, denk aan plantaardige yoghurt, kunnen we plantaardige eiwitten optimaliseren zodat ze dezelfde romigheid en stabiliteit geven als melkeiwitten.

"Bij vleesvervangers gaat het vooral om textuur en bite: AI helpt voorspellen welke eiwitten vezelachtige structuren vormen die op vlees lijken. Daarnaast kan AI ook objectieve mechanische metingen van textuur koppelen aan subjectieve menselijke sensorische data, om zo de ideale eigenschappen terug te herleiden.

"Een ander interessant domein is fermentatie. Enzymen spelen daar een centrale rol: bij bierbrouwen, kaasmaken of het ontwikkelen van nieuwe gefermenteerde producten. Met AI kan je enzymen ontwerpen die efficiënter werken, minder gevoelig zijn voor temperatuurschommelingen of sneller resultaat geven. Dat levert energiebesparing en meer proceszekerheid op."

AI is dus meer dan alleen protein folding?

"Precies. AI en machine learning hebben bredere toepassingen. In het Horizon Europe-project deCYPher ontwikkelen we bijvoorbeeld een platform dat experimenteel onderzoek versnelt. Het model leert van eerdere experimenten en voorspelt welk experiment je het best als volgende uitvoert om dichter bij je doel te komen. Dat kunnen eiwitten zijn, maar evengoed andere biologische of industriële systemen. Kortom: sneller betere producten

Het resultaat is geen enkel, gegarandeerd eiwit, maar een lijst van veelbelovende kandidaten die zorgvuldig moeten worden gefilterd en gerangschikt voordat experimentele validatie kan plaatsvinden

"Voor eiwittechnologie betekent dit dat we kandidaat-sequenties genereren met AI-modellen, en zoveel mogelijk informatie uit elke test extraheren om het model slimmer te maken. Zo combineren we algemene AI-tools met gespecialiseerde proteïnemodellen, en maken we het mogelijk om zowel virtueel te onderzoeken als om echte experimenten doelgerichter te sturen.

Drie concrete protein folding toepassingen met AI
Sauzen en dressings
Emulsies zoals mayonaise of vinaigrette schiften vaak na verloop van tijd. Met AI kan je voorspellen welke eiwitten zorgen voor een stabielere binding tussen olie en water, wat leidt tot langere houdbaarheid en minder uitval.
Fermentatieprocessen
Bij bier of kaas spelen enzymen een sleutelrol. Dankzij AI kunnen die enzymen zo worden aangepast dat ze efficiënter werken of minder gevoelig zijn voor temperatuurschommelingen. Dat betekent kortere processen en energiebesparing.
Houdbaarheid en verwerking
Eiwitten bepalen mede hoe producten reageren op verhitting of opslag. Met AI kunnen producenten eiwitten selecteren of ontwerpen die beter bestand zijn tegen hitte of druk, waardoor kant-en-klare maaltijden en verpakte producten langer hun kwaliteit behouden.

Veel voedingsbedrijven zijn nog niet vertrouwd met AI. Hoe kunnen ze starten?

"Dat horen we vaak. Onze aanpak is om samen te kijken waar de grootste uitdagingen zitten: is het textuur, houdbaarheid of zijn het functionele eigenschappen? Daarna onderzoeken we of AI iets kan toevoegen. Wij bieden ook advies, zodat ze stap voor stap kunnen instappen. Soms gaat het gewoon om een eerste proof-of-concept: laten zien dat het werkt in hun specifieke context."

Waar ziet u de meeste kansen op korte termijn?

"Vooral waar processen complex zijn en enzymen een sleutelrol spelen. Denk aan fermentatie, bakkerij, zuivel en plantaardige alternatieven. Hoe meer lagen van complexiteit, hoe groter de meerwaarde van AI. Bedrijven die zich nu al op de eiwittransitie richten, zoals producenten van vleesvervangers, zullen hier zeker voordeel uit halen. Maar ook klassieke bakkerijen en zuivelproducenten kunnen er baat bij hebben: minder trial-and-error, meer gericht ontwikkelen."

En wat brengt de toekomst?

"Binnen vijf jaar verwacht ik dat AI-tools een standaardonderdeel worden van de toolkit binnen gespecialiseerde R&D-teams van bedrijven en goed gefinancierde startups. Niet alleen om bestaande producten te verbeteren, maar ook om volledig nieuwe eiwitten te ontwerpen met eigenschappen die we nu nog niet kennen. Dat kan een enorme stap zijn in de verduurzaming van ons voedselsysteem en de transitie naar meer plantaardige voeding. Deze verschuiving verlegt de knelpunten in R&D naar cruciale stappen zoals opschaling naar industrieel niveau, sensorische validatie en het doorlopen van goedkeuringsprocedures bij de regelgeving."

Tot slot: wat is uw advies voor bedrijven die dit willen verkennen?

"Begin klein en concreet. Kijk welk product of proces vandaag de meeste kopzorgen geeft: een saus die instabiel is, een vleesvervanger die niet overtuigt, een fermentatie die energie vreet. Definieer dat probleem, en ga dan in gesprek met een technologiepartner. Vaak kan je al na enkele maanden ontdekken of AI een meerwaarde biedt. Het is belangrijk om de stap te zetten.

"Naast die eerste stap zou ik bedrijven sterk aanraden om te investeren in een robuuste, eigen data-infrastructuur. In de nabije toekomst zullen de AI-algoritmes zelf waarschijnlijk ‘commodities’ worden. Het echte, duurzame concurrentievoordeel zal komen uit het beschikken over hoogwaardige, gestructureerde interne data die ingrediënten en processen koppelt aan eindresultaten. Hiermee kunnen bedrijven unieke, krachtige modellen op maat trainen."