总部位于巴塞罗那的绿色生物工程公司DAN*NA因其高科技生物材料而获得国际认可。其旗舰产品是一种生物PLA，比市场竞争对手更灵活，同时保持透明度。它还为一种用于组织再生和生物打印的新型生物基材料申请了专利。

该公司的生物材料开发计算方法已将其推向生物材料创新的前沿。在过去三年中，它在西班牙和国外的几个主要私人和公共项目中担任主要合作伙伴。一是耗资690万美元的欧盟Horizon2020研究和创新计划Catco2nvers，该计划利用从生物工业捕获的碳排放创造新的增值化学产品。DAN*NA还参与了BIOCON-CO2，这是另一个开发用于生物材料制造的碳转化方法的项目。

材料设计中的机器学习屡见不鲜，但它的商业用途慢慢扩大。人工智能驱动的材料科学的全球专利申请从2011年的约1100件飙升至2017年的3000多项。尽管用于创新和发现的人工智能技术已广泛应用于制药领域，但该技术正在迁移到工业生物材料设计中。

人工智能在生物材料研究中的位置

人工智能在可持续发展转型中可以发挥的作用已被广泛讨论。一些人认为该技术可以指导环境决策。其他人则表示，它可以用作资源优化或确定更有效的工业流程的计算辅助工具。人工智能软件可以支持整个经济范围内的脱碳的最实质性方式之一是在材料设计中产生新的、可持续的和经济上可行的创新。

许多产品应用对其材料必须提供的物理性能有严格的要求。在食品包装中，塑料容器可以防止水分进入并加热。尽管在过去的二十年中，生物材料设计取得了巨大的技术进步，但一些可再生材料仍然不能成为传统石化衍生物的完美功能替代品。由于生物材料的制造成本通常比石化材料高，因此匹配（并理想地超越）传统材料的性能对于占领更广阔的市场至关重要。

任何材料的物理特性都取决于其独特的化学成分和分子结构。有时，分子或纳米级结构在确定机械行为方面比构成它们的元素更重要。

然而，可能的分子组合数量之多令人眼花缭乱。这促使研究人员采用人工智能来生成有前途的配置。

IBM、人工智能和可持续计算机芯片

IBM正在为微芯片中的可持续组件开创人工智能设计。“光酸发生器”（PAG）是一种用于制造计算机芯片的光敏材料。当前PAG的化学配方对环境有毒，因此计算机行业正在寻找更环保的替代品。

PAG允许以最高精度蚀刻微小芯片。紫外线通过切割成布线图案的掩模照射。当光图案照射到涂有PAG的微芯片上时，暴露在光下的PAG会分解成酸，腐蚀掉芯片的基础材料，留下完美的图案。

绿色PAG的开发过程成本高昂，特别是如果它仅以试验、错误和人类直觉为指导。相反，研究人员正在使用人工智能来寻找可持续材料并将其组合成一种新型PAG，这种PAG既由可再生材料制成，又具有所有正确的光学特性。该团队使用IBM的DeepSearchAI来搜索科学论文以寻找候选有机材料。接下来，研究人员将这些输入到IBM的生成式“智能模拟”人工智能中。使用这些，该软件提供了有关如何在分子水平上构建这些材料以实现有效PAG的特性的建议。然后，IBM的另一项技术探索了这些输出中的哪些可以发挥最佳作用。

BioBTX和AI用于生化缩放

IBM还使用机器学习来选择实际制作PAG的最佳方法。另一家使用人工智能寻找生物材料生产最佳方法的公司是德国初创公司BioBTX。

BioTX希望为生物基芳烃成分找到具有成本效益的生产方法。芳烃是一组用于服装、制药、化妆品、计算机、风力涡轮机、油漆、车辆部件和运动器材的化学品。目前，芳烃由石化衍生物制成，但BioBTX寻求循环和生物基可再生版本。它找到了一种方法，可以将生物柴油生产中的废物甘油分解为芳烃的三种关键化学品输入：苯、甲苯和二甲苯。

苯、甲苯和二甲苯的生物基版本必须在功能上与它们的石化版本没有区别。然而，任何制造它们的方法必须具有成本效益。问题在于大约有500万种潜在的方法可以将甘油转化为三种芳烃成分。每种都使用不同的原材料、催化剂类型和温度。如果不尝试每一个，哪一个在经济上是可行的并且在物理上是最优的。即使在实验室挑选一部分方法检测，检测费用也相当昂贵。

为了回避这个问题，BioBTX与格罗宁根大学合作开发了一种算法，该算法模拟甘油降解方法的真实实验并预测其结果。根据这些建议，该公司建立了一个中试工厂，以生产第一批生物基芳烃化合物。现在，正致力于建设一个计划于2023年投入运营的全面工厂。

合成生物学

化学组合问题也困扰着在绿色化学品和合成生物学交叉领域工作的公司。Arzeda是2008年成立的华盛顿大学synbio衍生公司，创建了一个蛋白质设计平台来预测发酵化学品的特性。他们的软件的独特之处在于它能够生成具有任何现有合成或天然材料所没有的特性的全新分子。该公司采用这些定制设计的分子，并通过生物反应器扩大生产规模。

总部位于加利福尼亚的Zymergen于2021年4月上市，它也将机器学习与生物工程和生物制造相结合。通过机器学习，他们可以了解微生物体内培养的高价值化学物质在实际应用中的表现。这对于选择应将哪些菌株带入缩放阶段很有用。Zymergen使用这种工艺来制造他们的生物基电子薄膜。

Zymergen还使用他们的软件来确定微生物中的遗传菌株如何与更好的生物制造结果相关联，例如更高的产量。计算机模拟还可以准确描述可能与优化给定微生物特性相关的权衡取舍。例如，DNA的微小变化可能会产生一种需要较少糖输入但可能需要更长时间才能产生目标化学物质的微生物。

基于人工智能的生物设计是Zymergen商业模式的核心。该公司向客户出售他们的模拟服务，并使用它们在内部开发和制造新产品。

工业界和学术界

计算化学和机器学习的工业应用是新兴领域。生物材料行业也仍处于起步阶段。因此，正在建立产学研合作，以改进软件并扩展材料数据库以对其进行培训。

2017年，丰田研究院(TRI)和西北大学启动了加速材料设计与发现(AMDD)项目，将人工智能应用于先进材料研究。该计划为低碳汽车行业寻找新材料。在最初的四年里，它使用SoicheiaInc.开发的软件成功预测了19种全新材料。该项目利用了Soicheia包含超过2亿种纳米材料的庞大数据库。研究人员通过将数据输入配备基本物理和化学原理的机器学习算法，生成了具有不同成分、结构、大小和形状的纳米粒子。迄今为止，已发表低碳电池和燃料电池材料学术论文150余篇。

丰田研究所项目在当年获得了为期四年的3500万美元的初始投资。该项目在2021年获得了3600万美元的进一步现金注资，以继续与世界各地的几所大学进行研究，包括加州理工学院、卡内基梅隆大学和麻省理工学院。参与该研究的杨绍宏教授评论说：“我们正在与TRI合作，将聚合物合成、快速机器人实验、分子模拟和人工智能结合起来，为聚合物建立新的设计规则”。

机器学习为提高创新材料基础研究的效率提供了一条途径。这对于希望克服市场对低于标准生物基产品的看法的生物材料行业至关重要。然而，机器学习的使用远不止快速预测分子组合的物理性能和经济可行性。它在生产具有独特性的全新材料方面比合成化学品行业更具优势，而这些材料很难从石化产品中获得。