Die Bitterkeit von Peptiden ist mit einer KI-basierten Methode vorhersagbar geworden, die darüber hinaus den Entwurf bitter schmeckender Peptide von Grund auf erlaubt. Entwickelt und getestet hat sie ein Forschungsteam unter Leitung des Leibniz-Instituts für Lebensmittel-Systembiologie an der Technischen Universität München.
Solche Peptide entstehen beim Abbau von Proteinen und beeinträchtigen Geschmack und Akzeptanz fermentierter Lebensmittel ebenso wie proteinreicher Produkte. Die Methode setzt an deren strukturellen Merkmalen an und verbindet ein trainiertes Sprachmodell mit einem Vorhersagemodell, dessen Treffsicherheit in einer Verkostung überprüft wurde.
Das Forschungsteam prüft seine Modellvorhersagen in der Verkostung
Den Ausgangspunkt bildeten etwa 500 bekannte, bitter schmeckende Peptide, mit denen das Team um Antonella Di Pizio, die die Studie geleitet hat, ein Protein-Sprachmodell trainierte. Dieses Sprachmodell kombinierten die Forscher mit dem Vorhersagemodell BitterPep-GCN, einem Graph Convolutional Network und damit einer speziellen Form künstlicher neuronaler Netze, die zur Analyse strukturierter Daten eingesetzt wird. An der Arbeit wirkten auch Forscher der Technischen Universität München und der Pompeu-Fabra-Universität in Barcelona mit.
Daraus gingen zunächst 161 neue Peptidsequenzen hervor, die experimentell noch nicht charakterisiert waren. Aus ihnen wählte das Team jene Kandidaten aus, für die die Modellvorhersagen eine hohe Wahrscheinlichkeit für einen bitteren oder nicht bitteren Geschmack ergaben.
Die vielversprechendsten Kandidaten ließ das Forschungsteam synthetisieren und anschließend von einem geschulten Sensorik-Panel verkosten. Von den 31 getesteten Peptiden stuften die Probanden 25 korrekt als bitter oder nicht bitter ein, womit sich die Vorhersagen in den meisten Fällen bestätigten. Bei zahlreichen bisher unbekannten Peptiden ließ sich zudem bestimmen, ob sie bitter schmecken oder nicht. „Unsere Ergebnisse zeigen, dass sich nicht nur die Bitterkeit von Peptiden vorhersagen lässt, sondern dass unsere neue KI-basierte Methode auch dazu genutzt werden kann, neue bitter schmeckende Peptide gezielt zu entwerfen“, sagt Alexandra Steuer, Erstautorin der Studie und Doktorandin in der Forschungsgruppe Molecular Modeling von Antonella Di Pizio.
Bittere Peptide beeinträchtigen die Akzeptanz proteinreicher Lebensmittel
Beim enzymatischen oder chemischen Abbau von Proteinen entstehen bitter schmeckende Peptide, die bei der Herstellung fermentierter Lebensmittel und von Proteinhydrolysaten eine besondere Herausforderung darstellen. Betroffen sind Produkte wie Kefir, Parmesan oder Bergkäse ebenso wie Proteinpulver, deren Geschmack und damit deren Akzeptanz beeinträchtigt werden. Zugleich können die Peptide physiologische Eigenschaften besitzen und beispielsweise zur Regulierung von Hunger und Sättigung beitragen.
„Um pflanzliche Proteinquellen für die Lebensmittelproduktion attraktiver zu machen und sie nachhaltiger zu nutzen, müssen wir besser verstehen, welche Peptide bitter schmecken und welche strukturellen Merkmale diese auszeichnen. Auch hier können KI-basierte Methoden einen wichtigen Beitrag leisten“, sagt Di Pizio. Die Studienleiterin hält die Forschungsergebnisse für bereit zur Umsetzung in Anwendungsumgebungen.
„Das bringt uns dem Ziel, Geschmackseigenschaften proaktiv zu steuern, deutlich näher“, sagt Di Pizio. „Langfristig könnten diese neuen Erkenntnisse dazu beitragen, die Bildung bitter schmeckender Peptide bei der Lebensmittelproduktion gezielt zu steuern. Dies wäre insbesondere für pflanzenbasierte, proteinreiche Lebensmittel relevant, deren Akzeptanz oft unter unerwünschten Geschmacksnoten leidet.“
Publikation: Steuer A, Ferri F, Eckrich L, Heidenkampf J, Mittermeier-Kleßinger VK, Schaefer S, Behrens M, Ferruz N, Dawid C, Di Pizio A. De-novo-Design und experimentelle Charakterisierung bitterer Peptide. NPJ Sci Food. (2026). doi: 10.1038/s41538-026-00942-0.
Hintergrundinformation: Die Informationen zu den für das Training verwendeten Bitterpeptiden entstammen der Datenbank Bitter Peptide Space (BPS)-1000. https://www.leibniz-lsb.de/datenbanken/bitter-peptide-space-bps-1000-database
Die Publikation „Srivastava P et al. Bitter peptide prediction using graph neural networks. J Cheminform. (2024). https://doi.org/10.1186/s13321-024-00909-x“ stellt das BitterPep-GCN vor, ein merkmalsunabhängiges Graph-Convolution-Netzwerk zur Vorhersage von Bitterpeptiden.
