La dependencia de la industria alimentaria hacia los envases plásticos derivados del petróleo —como el PVC, el poliestireno o el polietileno— sigue exacerbando los problemas medioambientales y la contaminación por microplásticos. Para acelerar la transición hacia alternativas sostenibles, un equipo de investigación ha desarrollado un innovador flujo de trabajo que combina automatización robótica, predicciones de Machine Learning (ML), teoría del funcional de la densidad (DFT) y evaluación del ciclo de vida (LCA).
El diseño de envases biobasados se enfrenta tradicionalmente al reto de equilibrar múltiples propiedades (transparencia, resistencia mecánica y sostenibilidad) mediante un ensayo y error exhaustivo y costoso. Sin embargo, gracias a este nuevo marco integrado, los investigadores lograron entrenar una red neuronal jerárquica capaz de predecir el comportamiento de aproximadamente mil millones de formulaciones candidatas.
Utilizando un robot de pipeteo automatizado para generar el conjunto de datos inicial, el algoritmo de inteligencia artificial identificó las combinaciones óptimas que lograban el equilibrio perfecto entre resistencia a la tracción (σ), densidad de energía de deformación (SED) y una baja huella ambiental.
Además de sus propiedades físicas superiores, el diseño incorporó agentes entrecruzantes como iones de cobre (Cu2+) en niveles seguros para el contacto alimentario, lo que dotó a la película de una alta hidroestabilidad y eficacia antimicrobiana. En ensayos reales, las películas biobasadas demostraron una capacidad superior para regular la humedad y bloquear el crecimiento de moho y bacterias patógenas, superando significativamente a las envolturas comerciales de LDPE y extendiendo con éxito la vida útil de productos de alto valor como pepinos y aguacates.
Para facilitar la adopción por parte de la industria y la comunidad investigadora, el equipo ha lanzado una plataforma de intercambio de datos (Data-sharing platform) que permite realizar predicciones directas y diseñar envases a medida según sus requisitos mecánicos y de impacto ambiental.
Science Advances (2026). An integrated robotics/ML workflow accelerates the scalable discovery of sustainable biobased packaging for enhanced postharvest preservation with reduced environmental footprint.