Hinweis: Das Beitragsbild wurde mit künstlicher Intelligenz erzeugt.
Bittere Fehlaromen in Kefir, Parmesan, Bergkäse oder Proteinpulvern entstehen nicht zufällig. Sie gehen auf spezifische Peptide zurück, die beim enzymatischen oder chemischen Abbau von Proteinen entstehen. Ein Forschungsteam des Leibniz-Instituts für Lebensmittel-Systembiologie an der Technischen Universität München hat Anfang Oktober 2026 eine KI-basierte Methode vorgestellt, mit der sich diese Peptide vorhersagen und neu entwerfen lassen.
Zwei KI-Modelle, ein Ziel
Die Methode kombiniert zwei unterschiedliche Modelltypen. Das erste ist ein Protein-Sprachmodell, trainiert auf rund 500 bekannten Bitterpeptiden aus der Datenbank Bitter Peptide Space. Das zweite ist BitterPep-GCN, ein Graph Convolutional Network (GCN), ein künstliches neuronales Netz zur Analyse strukturierter molekularer Daten.
Beide Modelle zusammen generieren neue Peptidsequenzen und bewerten deren Bitterkeit vor der Synthese. Das spart Labor- und Sensorikaufwand erheblich.
Trefferquote von gut 80 Prozent
Das Team ließ zunächst 161 neue, noch nicht experimentell charakterisierte Peptidsequenzen generieren. Aus diesem Pool synthetisierten die Forscher 31 Kandidaten und ließen sie von einem geschulten Sensorik-Panel verkosten. 25 von 31 Peptiden wurden korrekt als bitter oder nicht bitter eingestuft. Das entspricht einer Trefferquote von rund 81 Prozent.
Dabei identifizierte das Team bislang unbekannte Peptide mit und ohne Bittergeschmack, was die Datenbasis für künftige Modellgenerationen erweitert.
Relevanz für die Produktion
Bittere Peptide entstehen vor allem dort, wo Proteine stark abgebaut werden. Das betrifft die Käsereifung ebenso wie die Herstellung von Proteinhydrolysaten für Nahrungsergänzungsmittel oder Sportnahrung. Pflanzenbasierte Proteinprodukte, etwa aus Erbsen oder Lupinen, haben häufig unerwünschte Geschmacksnoten, was ihre Marktakzeptanz einschränkt.
Mit der neuen Methode lässt sich rechnerisch bestimmen, welche Proteinquellen oder Prozessparameter zu welchen Peptidprofilen führen. Wer Fermentationsprozesse oder Hydrolysezeiten anpassen will, könnte künftig vorab simulieren, welche Bitterpeptide entstehen.
Physiologische Eigenschaften im Blick
Bittere Peptide haben sensorische Relevanz, können aber auch physiologisch aktiv sein und an der Regulierung von Hunger und Sättigung beteiligt sein. Das eröffnet einen zweiten Anwendungsbereich: das gezielte Design von Peptiden mit erwünschten funktionellen Eigenschaften für die Lebensmittel- oder pharmazeutische Industrie.
Stand der Entwicklung
Die Studienleiterin Antonella Di Pizio beschreibt die Ergebnisse als bereit für den Übergang in Anwendungsumgebungen. Die Methode funktioniert im Labormaßstab und ist grundsätzlich auf industrielle Fragestellungen übertragbar. Bis zur Integration in bestehende Produktionsprozesse sind allerdings weitere Entwicklungsschritte nötig. Pilotprojekte mit Industriepartnern oder Lizenzvergaben sind bislang nicht bekannt gegeben worden.
Fazit
Das Modell aus München liefert einen methodischen Baustein, den Lebensmittelproduzenten mittelfristig nutzen könnten. Wer fermentierte Produkte oder Proteinhydrolysate herstellt, hat bisher wenig Werkzeug, um Bitterkeit systematisch zu steuern. Ein validiertes Vorhersagemodell mit 81 Prozent Trefferquote ist ein konkreter Anfang. Ob und wann es produktionsreif wird, hängt vom Transfer in industrielle Umgebungen ab.
