En un laboratorio, un microorganismo puede transformar azúcares en productos químicos con excelentes rendimientos. Sin embargo, cuando ese mismo proceso se traslada a un fermentador industrial, la productividad puede caer considerablemente. Las condiciones que parecían controladas en un recipiente de unos pocos litros se vuelven mucho más difíciles de manejar en un tanque de miles de litros, donde la temperatura, la acidez y la disponibilidad de oxígeno pueden variar de un punto a otro.
Algo similar ocurre con las tecnologías destinadas a transformar residuos agrícolas en biocombustibles. Un proceso que ofrece resultados prometedores a pequeña escala puede encontrar dificultades técnicas inesperadas cuando se intenta producir de manera continua y en grandes volúmenes. Resolver esos problemas requiere nuevos ensayos, modificaciones en los equipos y, en ocasiones, inversiones que terminan comprometiendo la viabilidad económica del proyecto.
La industria biotecnológica convive desde hace décadas con esa distancia entre lo que funciona en el laboratorio y lo que puede producirse comercialmente. Reducirla es uno de los objetivos de un conjunto de investigaciones que desarrolla el Laboratorio Nacional de las Montañas Rocosas (NLR), perteneciente al Departamento de Energía de Estados Unidos, mediante herramientas de inteligencia artificial capaces de analizar información científica, simular procesos y predecir su comportamiento.
El laboratorio dispone de una base de conocimiento construida a lo largo de más de 45 años. Desde 1979, sus programas de bioenergía y bioeconomía han generado más de 3.600 publicaciones científicas, informes y capítulos de libros sobre caracterización de biomasa, procesos termoquímicos, biología sintética y desarrollo de tecnologías industriales.
Esas investigaciones contienen mediciones sobre rendimientos, balances de materia, condiciones de operación y comportamiento de materiales y microorganismos. Muchos de esos datos fueron obtenidos para responder preguntas específicas y permanecen distribuidos entre publicaciones, registros experimentales y modelos desarrollados por distintos equipos científicos.
La inteligencia artificial ofrece nuevas posibilidades para relacionar esa información y utilizarla en problemas que exceden el alcance de los experimentos originales. Pero la calidad y disponibilidad de los datos sigue siendo determinante.
Juliane Mueller, matemática aplicada del NLR, explica que existen diferencias importantes entre las disciplinas. En ingeniería de proteínas, por ejemplo, los investigadores pueden trabajar con miles de registros estructurados que permiten entrenar y validar modelos predictivos. En cambio, los datos de alta calidad sobre bioprocesos a escala piloto e industrial son mucho más escasos.
Para abordar esa limitación, los científicos combinan información experimental con simulaciones construidas a partir de principios físicos, modelos matemáticos y conocimiento especializado. Así pueden estudiar escenarios para los que todavía no existen suficientes mediciones, generar predicciones y someterlas posteriormente a comprobación experimental.
El NLR está aplicando este enfoque en tres áreas con aplicaciones industriales concretas, que incluyen la prevención de fallas en biorrefinerías, el mejoramiento de fermentaciones y el diseño de proteínas para distintos procesos productivos.
De la molécula a la planta: una nueva estrategia busca acelerar el desarrollo de biorrefinerías
Predecir los problemas de una biorrefinería antes de invertir millones
Estados Unidos dispone de un potencial estimado de hasta 175 millones de toneladas anuales de residuos agrícolas recuperables que podrían utilizarse como materias primas para producir combustibles, productos químicos y materiales de origen biológico.
Entre las tecnologías desarrolladas para aprovechar esos recursos se encuentran las biorrefinerías de etanol celulósico, capaces de transformar los componentes estructurales de residuos vegetales, como los rastrojos de maíz, en azúcares que posteriormente se convierten en alcohol mediante fermentación.
Aunque los principios tecnológicos son conocidos, su implementación comercial ha enfrentado dificultades. Las características físicas de la biomasa, la complejidad de los tratamientos necesarios para liberar los azúcares y la integración de las distintas operaciones industriales pueden generar problemas que resultan difíciles de anticipar mediante experimentos de pequeña escala.
Zia Abdullah, responsable de uno de los programas de investigación del NLR, señala que numerosas biorrefinerías celulósicas encontraron obstáculos al ampliar sus procesos hasta alcanzar dimensiones comerciales. Las experiencias acumuladas, incluidos los proyectos que no lograron los resultados esperados, proporcionan información que ahora puede utilizarse para evitar dificultades similares.
Junto con investigadores del Idaho National Laboratory y el Lawrence Berkeley National Laboratory, su equipo está desarrollando una herramienta de inteligencia artificial destinada a identificar posibles mecanismos de falla durante el diseño de nuevas instalaciones.
El trabajo toma como referencia un proceso de conversión de rastrojos de maíz en alcohol. Los investigadores están construyendo modelos matemáticos que representan las distintas operaciones, desde la preparación de la biomasa y el pretratamiento ácido hasta la hidrólisis enzimática, que permite liberar los azúcares, y su posterior fermentación.
Estos modelos se integrarán en un sistema con el que los ingenieros podrán interactuar para evaluar alternativas de diseño y condiciones operativas.
Un profesional podría consultar, por ejemplo, qué sucedería si aumentara mil veces la escala de un proceso, cómo afectaría al funcionamiento de la planta utilizar biomasa que permaneció seis meses expuesta a la lluvia o qué consecuencias tendría incrementar la intensidad de operación para elevar la producción.
La herramienta recurrirá a información experimental, simulaciones físicas, publicaciones científicas y conocimiento de especialistas para analizar cada situación y ofrecer estimaciones cualitativas y cuantitativas.
La posibilidad de examinar estos escenarios durante la ingeniería de una planta permitiría detectar problemas potenciales antes de que se traduzcan en modificaciones costosas o interrupciones de producción.
El proyecto, financiado con apoyo de la oficina de combustibles y materias primas alternativas del Departamento de Energía estadounidense, tiene prevista su finalización en 2029. Una vez completado y validado, sus responsables esperan ofrecer el sistema mediante licencias a empresas y otras organizaciones.
Mejorar los microorganismos para aprovechar los fermentadores existentes
Las aproximadamente 200 biorrefinerías estadounidenses se dedican principalmente a producir etanol mediante la fermentación de azúcares obtenidos del maíz. Sus instalaciones cuentan con grandes tanques de acero equipados con sistemas de agitación, donde los microorganismos realizan las transformaciones bioquímicas necesarias para obtener alcohol.
Esos mismos fermentadores ofrecen oportunidades para fabricar una variedad más amplia de productos, incluidos compuestos químicos que actualmente se obtienen mediante procesos petroquímicos. Entre ellos se encuentran el etileno, utilizado en la producción de plásticos, y el ácido mucónico, que puede servir como intermediario para fabricar materiales como el nylon.
Distintos estudios han demostrado que determinados microorganismos pueden convertir azúcares en esos compuestos. Sin embargo, conseguir que mantengan su productividad dentro de los grandes fermentadores industriales representa un desafío considerable.
Davinia Salvachúa Rodríguez, investigadora del NLR especializada en fermentación, explica que algunos bioprocesos pierden rendimiento cuando aumentan de escala. Una de las posibles causas se encuentra en las diferencias entre las condiciones que experimentan los microorganismos dentro de un pequeño reactor de laboratorio y las que encuentran en los equipos industriales.
En un fermentador de grandes dimensiones, la agitación y la circulación del líquido generan zonas con distintos niveles de oxígeno, presión y pH. Los microorganismos pueden atravesar sucesivamente esos ambientes, enfrentándose a condiciones que afectan su metabolismo y reducen su capacidad de producir los compuestos deseados.
El equipo dirigido por Salvachúa está estudiando cómo responden los microorganismos a esas variaciones y utiliza inteligencia artificial para relacionar su comportamiento biológico con las condiciones físicas del fermentador.
Los investigadores construyen representaciones digitales de los grandes tanques mediante modelos de dinámica de fluidos, que permiten simular la circulación del líquido y las diferencias de condiciones entre distintas zonas. Al mismo tiempo, trabajan con modelos del metabolismo microbiano que describen cómo los microorganismos utilizan nutrientes y producen determinadas sustancias.
A partir de las simulaciones, reproducen en pequeños biorreactores las condiciones que podrían encontrarse en una instalación industrial. Allí evalúan la respuesta de los microorganismos frente a situaciones de baja disponibilidad de oxígeno, variaciones de acidez y otros factores que pueden perjudicar su desempeño.
Los resultados alimentan modelos de aprendizaje automático que buscan predecir el comportamiento de los microorganismos e identificar modificaciones genéticas capaces de mejorar su resistencia.
La investigación resulta especialmente relevante para las empresas que ya cuentan con infraestructura de fermentación. Adaptar los microorganismos a las condiciones de los equipos existentes podría permitirles diversificar su producción sin necesidad de reemplazar grandes instalaciones industriales.
¿Cómo se mide algo que está vivo? Estados Unidos lleva la biometrología al Congreso
Diseñar proteínas para recuperar minerales y transformar materiales
La ingeniería de proteínas constituye otra de las áreas donde la inteligencia artificial está modificando los métodos de investigación.
Las proteínas son moléculas formadas por cadenas de aminoácidos cuya secuencia determina, en buena medida, su estructura tridimensional y sus propiedades. Una modificación puntual en esa secuencia puede alterar su estabilidad, mejorar su actividad o conferirle la capacidad de interactuar con determinadas sustancias.
La cantidad de combinaciones posibles es enorme. Encontrar una proteína con las características necesarias para una aplicación industrial puede requerir numerosos ciclos de diseño, experimentación y evaluación.
Los modelos de inteligencia artificial permiten analizar grandes conjuntos de secuencias y estructuras conocidas para identificar modificaciones con mayores probabilidades de producir los resultados buscados.
En el NLR, los investigadores utilizan estas herramientas para desarrollar proteínas capaces de unirse selectivamente a determinados metales. Una de sus posibles aplicaciones es la recuperación de minerales críticos, incluidas las tierras raras, presentes en residuos mineros y otras materias primas complejas.
También trabajan en proteínas destinadas al reciclaje de plásticos y a procesos de fabricación de productos químicos que utilizan enzimas como catalizadores, prescindiendo de células vivas.
Otra línea de investigación se concentra en mejorar la resistencia de las proteínas frente a condiciones industriales exigentes. Algunas aplicaciones requieren moléculas capaces de conservar su actividad a temperaturas elevadas, en ambientes muy ácidos o alcalinos, o en presencia de altas concentraciones de sales.
Para desarrollar proteínas tolerantes a la sal, los investigadores analizaron bases de datos de organismos adaptados a ambientes salinos, incluidos los que habitan las profundidades oceánicas. Con esa información entrenaron modelos que recomiendan cambios específicos en las secuencias de aminoácidos, con el objetivo de mejorar su funcionamiento en procesos como la digestión anaeróbica industrial.
Jeffrey Law, biólogo computacional del NLR, explica que los modelos permiten seleccionar las variantes con mayores probabilidades de presentar las propiedades deseadas. Esas predicciones se comprueban posteriormente mediante experimentos de laboratorio que permiten medir el comportamiento real de cada proteína.
John Yarbrough, físico del laboratorio, señala que estos sistemas pueden identificar candidatos prometedores en cuestión de minutos u horas, acortando considerablemente los tiempos de búsqueda.
La automatización de los ensayos amplía todavía más esas posibilidades. Los laboratorios del NLR utilizan equipos robotizados capaces de preparar y caracterizar cientos o miles de muestras de proteínas en una sola jornada.
Los resultados se incorporan nuevamente a los modelos para mejorar sus predicciones y orientar nuevas modificaciones. Cada ciclo experimental aporta información que permite refinar la selección de proteínas y concentrar los esfuerzos en las alternativas más prometedoras.
Una nueva forma de aprovechar décadas de investigación científica
Los desarrollos del NLR forman parte de una iniciativa más amplia del Departamento de Energía de Estados Unidos, denominada Genesis Mission, que busca integrar inteligencia artificial, supercomputación, infraestructura experimental y grandes conjuntos de datos científicos para acelerar la investigación.
Las herramientas presentan distintos grados de avance. Los modelos de ingeniería de proteínas ya se utilizan para orientar la selección de candidatos y los experimentos de laboratorio, mientras que los sistemas destinados a anticipar fallas en biorrefinerías y mejorar el desempeño de microorganismos en fermentadores industriales continúan en desarrollo.
El conocimiento acumulado durante décadas sobre biomasa, fermentación, procesos químicos y sistemas biológicos constituye la materia prima de estos nuevos modelos. Su capacidad para relacionar información experimental con simulaciones físicas y biológicas abre posibilidades para estudiar problemas complejos con un nivel de detalle que hasta ahora requería numerosas pruebas independientes.
En una industria donde cada salto de escala puede demandar inversiones millonarias, anticipar el comportamiento de un proceso tiene consecuencias económicas concretas. Identificar una condición operativa problemática, seleccionar un microorganismo mejor adaptado a un fermentador o descubrir una proteína con las propiedades adecuadas puede ahorrar sucesivos ciclos de experimentación y desarrollo.
La aspiración de los investigadores es que la experiencia acumulada en laboratorios y plantas piloto pueda utilizarse cada vez con mayor precisión para orientar decisiones industriales. Si los modelos alcanzan la confiabilidad necesaria, una parte de los problemas que hoy aparecen durante la construcción y puesta en marcha de nuevas instalaciones podría identificarse mucho antes, cuando todavía es posible corregirlos sobre el diseño.


