KI als Werkzeug in der Geschmacksforschung: De-novo-Design bitterer Peptide

Bitter schmeckende Peptide entstehen beim enzymatischen oder chemischen Abbau von Proteinen und stellen eine besondere Herausforderung bei der Herstellung fermentierter Lebensmittel oder Proteinhydrolysate dar. Gleichzeitig können sie 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 Prof. Dr. Antonella Di Pizio. Sie ist zum einen Leiterin der Arbeitsgruppe Molecular Modeling am Leibniz-Institut für Lebensmittel-Systembiologie an der Technischen Universität München (Leibniz-LSB@TUM) und zum anderen Professorin für Chemoinformatics and Protein Modelling an der TUM School of Life Sciences. Neben ihrer Arbeitsgruppe am Leibniz-LSB@TUM waren auch Forschende der TUM und der Pompeu-Fabra-Universität in Barcelona an dieser aktuellen Studie beteiligt.

Kombination aus einem Sprachmodell und einem künstlichen neuronalen Netzwerk

Um eine solche KI-gestützte Methode zu entwickeln, kombinierte das Team um Antonella Di Pizio ein Protein-Sprachmodell, welches das Team zuvor anhand von etwa 500 bekannten, bitter schmeckenden Peptiden trainiert hatte, mit dem kürzlich von ihnen entwickelten Vorhersagemodell „BitterPep-GCN“. Dabei handelt es sich um ein sogenanntes Graph Convolutional Network (GCN), eine spezielle Form künstlicher neuronaler Netze, die zur Analyse strukturierter Daten eingesetzt wird. 

Auf dieser Grundlage generierten die Forschenden zunächst 161 neue Peptidsequenzen, die noch nicht experimentell charakterisiert worden waren. Anschließend identifizierten sie jene Kandidaten, bei denen laut den Modellvorhersagen eine hohe Wahrscheinlichkeit bestand, dass sie bitter oder nicht bitter schmecken würden.

Vorhersagen weitgehend bestätigt

Die vielversprechendsten dieser Peptide ließen sie synthetisieren und anschließend von einem geschulten Sensorik-Panel verkosten. In den meisten Fällen bestätigten sich die KI-Vorhersagen: Von den 31 getesteten Peptiden stuften die Probanden 25 korrekt als bitter oder nicht bitter ein. Darüber hinaus identifizierte das Forschungsteam zahlreiche bisher unbekannte, bitter und nicht bitter schmeckende Peptide.

„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 Prof. Dr. Antonella Di Pizio. „Das bringt uns dem Ziel, Geschmackseigenschaften proaktiv zu steuern, deutlich näher“, fügt Studienleiterin Di Pizio hinzu.

Die Wissenschaftlerin betont, dass die Forschungsergebnisse bereit für die Umsetzung in Anwendungsumgebungen sind: „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. https://doi.org/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.

Diese Meldung der TUM School of Life Sciences beruht auf einer Pressemitteilung von Gisela Olias vom Leibniz-LSB@TUM.