AI helpt bij ontwikkeling vleesvervangers, maar vervangt lab niet

Onderzoekers publiceerden in het vakblad Trends in Food Science & Technology een uitgebreide review over het gebruik van AI in de hele keten van alternatieve eiwitten. Ze keken naar plantaardige eiwitten, precisiefermentatie, insecteneiwitten en kweekvlees. De technologie duikt overal op: van het selecteren van veelbelovende grondstoffen tot het bewaken van fabrieksprocessen en het voorspellen hoe een product uiteindelijk smaakt.

De onderzoekers benadrukken dat alternatieve eiwitten geen simpele losse ingrediënten zijn, maar complexe voedselsystemen. Samenstelling, structuur, verwerking en eindresultaat beïnvloeden elkaar voortdurend. Dat maakt ontwikkeling lastig en traag.

Waarom eiwitten zo lastig te sturen zijn

Een eiwit staat nooit op zichzelf. In een product als een vegaburger of gekweekte kipfilet mengt het zich met zetmeel, vezels, vetten, plantstoffen, zouten en suikers. Die combinatie bepaalt of iets goed oplost, welke kleur het krijgt, hoe het smaakt, hoe verteerbaar het is en of het allergische reacties kan uitlokken. Bovendien verandert elk productieproces het eiwit zelf: extractie uit planten, fermentatie door micro-organismen, het kweken van dierlijke cellen, verhitting, mechanische druk en extrusie (het door een machine persen van ingrediënten) beïnvloeden allemaal hoe eiwitmoleculen zich vouwen en met elkaar verbinden. Dat bepaalt weer de eiwitmatrix: het driedimensionale netwerk dat textuur, stevigheid, smaakafgifte en houdbaarheid van een product vastlegt. Omdat al die factoren met elkaar samenhangen, is testen via ouderwets trial-and-error traag, kostbaar en moeilijk over te zetten naar andere grondstoffen of fabrieksschaal.

Waar AI nu al helpt

Volgens de review levert AI vooral resultaat op bij een beperkt aantal taken. Algoritmes helpen onderzoekers om uit duizenden mogelijke grondstoffen de meest kansrijke kandidaten te selecteren. Ze annoteren eiwitstructuren met extra context over hun werking, en ze worden gebruikt voor 'soft sensing': het inschatten van procesomstandigheden die met gewone sensoren moeilijk te meten zijn, zoals de exacte staat van een fermentatietank. Ook bij het optimaliseren van recepturen binnen vaste grenzen, het voorspellen van smaak en textuur, en het analyseren van consumentenvoorkeuren bewijst AI zijn nut. Steeds gaat het om het versmallen van opties of het ontdekken van patronen in grote datasets, niet om het overnemen van laboratoriumwerk. De vooruitgang verschilt sterk per categorie: bij plantaardige en fermentatie-eiwitten is al veel bewijs verzameld, terwijl AI-toepassingen bij kweekvlees nog vooral beperkt blijven tot vroege screening.

Data en validatie blijven de zwakke schakel

De grootste horde is niet de techniek zelf, maar de kwaliteit van de onderliggende data. Onderzoeksgroepen werken met verschillende meetmethodes, apparatuur en definities, waardoor modellen die in het ene lab goed werken elders vaak falen. Vooral bij eiwitdiversificatie — het zoeken naar steeds nieuwe eiwitbronnen — is dat een probleem, omdat kleine verschillen in samenstelling of verwerking grote gevolgen kunnen hebben voor het eindproduct. De auteurs pleiten daarom voor betere gedeelde datasets, strengere tests op robuustheid en workflows waarin mensen de AI-voorspellingen blijven controleren. Experimentele validatie in het lab blijft volgens hen onmisbaar om AI-voorspellingen om te zetten in eten dat daadwerkelijk op het bord belandt.