Hinweis: Das Beitragsbild wurde mit künstlicher Intelligenz erzeugt.

Bei der Herstellung von Kefir, Parmesan oder Bergkäse entstehen beim Proteinabbau Peptide, die bitter schmecken. Diese Peptide sind ein bekanntes Problem in der Lebensmittelproduktion. Ein Forschungsteam des Leibniz-Instituts für Lebensmittel-Systembiologie an der Technischen Universität München hat nun eine KI-basierte Methode vorgestellt, die den Geschmack solcher Peptide vorhersagt, bevor sie überhaupt synthetisiert werden.

Trainingsdaten und Modellarchitektur

Das Team kombinierte zwei Ansätze. Zum einen nutzte es ein Sprachmodell für Proteine, das anhand von rund 500 bekannten, bitter schmeckenden Peptiden trainiert wurde. Zum anderen entwickelten die Forscher das Modell „BitterPep-GCN“. GCN steht für Graph Convolutional Network, eine Form künstlicher neuronaler Netze, die strukturierte Daten analysiert und Beziehungen zwischen Molekülbestandteilen abbildet.

Auf dieser Grundlage generierten die Forscher 161 neue Peptidsequenzen, die bislang experimentell nicht charakterisiert waren. Das Modell bewertete für jede Sequenz die Wahrscheinlichkeit, ob sie bitter oder nicht bitter schmecken würde.

Validierung durch Sensorik-Panel

Die aussichtsreichsten Kandidaten wurden synthetisiert und anschließend von einem geschulten Sensorik-Panel verkostet. Von 31 getesteten Peptiden stuften die Probanden 25 korrekt als bitter oder nicht bitter ein. Das entspricht einer Trefferquote von rund 81 Prozent. Das Team identifizierte außerdem zahlreiche bisher unbekannte Peptide mit bitterer oder neutraler Geschmackswirkung.

Die Methode erlaubt es auch, Peptide gezielt neu zu entwerfen. Das unterscheidet den Ansatz von rein klassifikatorischen Verfahren, die nur bestehende Verbindungen bewerten.

Relevanz für die Lebensmittelproduktion

Für Unternehmen, die pflanzliche Proteinquellen verarbeiten, ist das Bitterkeit-Problem ein konkretes Produktionshindernis. Pflanzliche Proteinhydrolysate, also enzymatisch aufgespaltene Pflanzenproteine, enthalten häufig Peptide mit unangenehm bitterem Geschmack. Das begrenzt ihren Einsatz in Endprodukten erheblich.

Auch interessant  Hereon-Labor: Polystyrol mit Sollbruchstellen und Bioanteil

Wer solche Rohstoffe in Lebensmitteln verarbeiten will, muss bisher aufwendige sensorische Tests durchführen oder auf Erfahrungswerte zurückgreifen. Eine verlässliche Vorhersage vor der Produktion würde den Entwicklungsaufwand senken und Ausschuss reduzieren.

Fermentierte Produkte als klassisches Anwendungsfeld

Auch bei traditionellen fermentierten Produkten wie Parmesan oder Bergkäse entsteht Bitterkeit durch den Proteinabbau während der Reifung. Die Kontrolle dieses Prozesses ist handwerklich anspruchsvoll und schwer standardisierbar. Ein Vorhersagetool könnte helfen, Fermentationsparameter gezielter zu steuern.

Physiologische Eigenschaften als zusätzlicher Faktor

Bitter schmeckende Peptide sind nicht grundsätzlich unerwünscht. Bestimmte Verbindungen tragen zur Regulierung von Hunger und Sättigung bei. Das macht die gezielte Steuerung ihrer Entstehung auch für funktionelle Lebensmittel interessant. Das Forschungsteam weist darauf hin, dass die Methode beide Richtungen abdeckt: unerwünschte Bitterkeit vermeiden und erwünschte Peptide gezielt erzeugen.

Stand der Entwicklung

Das Leibniz-Institut gibt an, bereits an konkreten Anwendungen zu arbeiten. Bis zur industriellen Nutzung sind weitere Schritte erforderlich: Skalierungstests, regulatorische Einordnung und die Integration in bestehende Produktionsprozesse. Die Grundlagenforschung ist abgeschlossen, der Transfer in die Praxis steht noch aus.

Die Methode liefert ein Werkzeug, das Lebensmittelherstellern und Zulieferern von Proteinhydrolysaten den Entwicklungsprozess effizienter machen kann. Für Betriebe, die pflanzliche Proteine in ihr Portfolio integrieren wollen, bleibt die weitere Entwicklung dieser Methode relevant.