AECOC
INNOVATION HUB

Tendencias - Tecnologías - Impactos

Noticias Tecnología - Innovación - Ciencia

add ver todas

El cuarto pilar para el mercado de proteínas alternativas es la agricultura molecular

Good Food Institute (GFI) ha publicado el que cree que es el cuarto pilar para el mercado de proteínas alternativas.

Las tres categorías más conocidas dentro del marco de las proteínas alternativas son:

  1. A base de plantas
  2. Fermentación de precisión
  3. Carne/kariscos cultivados.

GFI asegura que el cuarto pilar de las proteínas alternativas es la agricultura molecular de plantas.

  • Se trata de producir proteína animal utilizando cultivos de semillas. Se introduce ADN animal directamente en las semillas, transformando los cultivos resultantes en fábricas de proteínas.
  • Una vez que se plantan las semillas genéticamente modificadas, se pueden emplear técnicas tradicionales de gestión agrícola para hacer crecer los cultivos.

La adición de este cuarto pilar en el mercado de proteínas alternativas se produce porque la agricultura molecular está ganando terreno.

Vemos algunos ejemplos del desarrollo de la agricultura molecular:

  • Moolec, el pionero en agricultura molecular, anunció que sus plantas de cártamo han sido aprobadas por el Servicio de Inspección de Sanidad Anima uy Vegetal. Moolec tiene la capacidad de producir proteínas como la quimosina (enzima utilizada en el queso) utilizando plantas de cártamo.
  • Motif Foodworks, especialista en ingredientes de bioingeniería, anunció que se estaban diversificando hacia la agricultura molecular. Van a producir un ingrediente idéntico a la mioglobina en la carne de res, a través de cultivos de maíz.

Actualmente, tan solo hay 12 empresas en todo el mundo que utilicen esta tecnología para cultivar varios productos como proteínas lácteas libres de animales, factores de crecimiento para carne cultivada, entre otros.

Según GFI no hay forma más eficiente de producir calorías para el consumo humano que brotarlas del suelo.


Para saber más, haz click aquí. 

NOTICIAS RELACIONADAS

add ver todas

¿Qué viene después de los smartphones?

Las grandes empresas tecnológicas tienen la vista puesta en el futuro para identificar la interfaz que le tomará el relevo al smartphone en nuestras vidas digitales. Existen varios candidatos para convertirse en la próxima interfaz: la realidad aumentada, los wearables y los asistentes basados en la inteligencia artificial, que funcionan través de mecanismos como el control por voz, el rastreo ocular, el control gestual e incluso el control neuronal. Estas tecnologías no tienen por qué excluirse mutuamente, sino que podrían complementarse para determinar conjuntamente el modo en que una persona experimentará su vida digital dentro de cinco a quince años, tanto en su domicilio como en el trabajo. Del mismo modo que los portátiles han convivido con los smartphones, puede que los teléfonos inteligentes sigan existiendo, aunque dejarían de ser la ventana primaria.El Consejero Delegado de Facebook, Mark Zuckerberg, cree que la realidad aumentada, capaz de superponer la información digital en el mundo real, constituye la próxima frontera en el ámbito de la informática. En abril, presentó lo que denomina «la primera plataforma generalizada de realidad aumentada», un primer intento que todavía emplea la cámara del smartphone para brindar una capacidad limitada (y no especialmente útil en su estado actual)

OpenAI ha creado un modelo de IA para la ciencia de la...

OpenAI desarrolla un modelo para impulsar la investigación en longevidad humana, optimizando la ingeniería de proteínas para el rejuvenecimiento celular.

La inteligencia artificial puede detectar signos de...

El uso de machine learning puede detectar los patrones y los primeros síntomas del Alzheimer. El estudio se esta realizando a través de un dispositivo que, instalado en el cuarto de un paciente, se encarga de grabar todo lo que sucede a su alrededor incluyendo los movimientos de la persona.Las consecuencias del uso de machine learning en la detección del Alzheimer:Identificación de enfermos en fase temprana – los dispositivos permiten recoger información e identificar patrones que pueden servir para identificar a futuros pacientes, que podrían comenzar a ser tratados años antes de que aparezcan los síntomas obvios como la perdida de memoria.​Creación de un prueba de diagnostico– actualmente no existe prueba para identificar a los enfermos de Alzheimer y los escáneres de cerebro no se pueden utilizar para identificar esta enfermedad. Sin embargo, el machine learning podría permitir desarrollar una prueba de diagnóstico.Mejora de los ensayos clínicos de los medicamentos – los patrones identificados con machine learning pueden eliminar los dos problemas principales en el desarrollo de nuevos medicamentos para el Alzheimer: el desconocimiento de las causas de la enfermedad y la dificultad de identificar pacientes que se beneficien de la medicación.Para saber más haz click aquí

Y Combinator, la búsqueda de la startup estrella para el...

La principal incubadora tecnológica de Silicon Valley, Y Combinator, ha decidido enfrentarse al cambio climático.