Bittere Peptide: KI-Modell sagt Geschmack mit 81% Genauigkeit voraus
Veröffentlicht am: 23.09.2026 um 01:30 Uhr | Redaktion boerse-global.de
Die gezielte Vorhersage und Steuerung von Geschmackseigenschaften gewinnt in der Lebensmittelwissenschaft zunehmend an Bedeutung. Forschende des Leibniz-Instituts für Lebensmittel-Systembiologie an der Technischen Universität München (TUM) haben ein rechnergestütztes Verfahren entwickelt, das die Bitterkeit von Peptiden vorhersagen sowie neue bittere Peptide entwerfen kann.
Wie aus einem Bericht vom 22. September 2026 hervorgeht, setzt der Ansatz auf moderne Methoden des maschinellen Lernens, um die molekularen Ursachen des bitteren Geschmackseindrucks systematisch zu untersuchen.
Kombination aus Sprachmodell und Graph-Netzwerk
Im Zentrum des neu entwickelten Systems steht die Verknüpfung zweier spezialisierter Rechnerarchitekturen: Das Forschungsteam kombinierte ein Protein-Sprachmodell mit einem Graph Convolutional Network namens BitterPep-GCN.
Das Protein-Sprachmodell wurde mit rund 500 bekannten bitteren Peptiden trainiert. Anhand dieser Datengrundlage erlernt das System strukturelle Eigenheiten der Moleküle, um daraus Gesetzmäßigkeiten für den bitteren Geschmack abzuleiten und eigenständig neue Peptidvarianten zu entwerfen.
Die zugrunde liegende Methode wurde am 25. Juni 2026 im Fachjournal NPJ Science of Food durch Steuer et al. veröffentlicht (DOI: 10.1038/s41538-026-00942-0). Durch die Kombination des Sprachmodells mit dem graphenbasierten Netzwerk BitterPep-GCN können komplexe Strukturdaten von Aminosäureverbindungen in die Analyse einbezogen werden, was die Vorhersagegenauigkeit der sensorischen Eigenschaften maßgeblich stützt.
Bittere Fehlnoten in pflanzlichen Proteinen fallen oft erst in der Sensorikprüfung auf — nach teuren und langsamen Labortests. Ein neuer Ansatz kombiniert ein Protein-Sprachmodell mit einem Graph-Netzwerk und stufte in ersten Tests 25 von 31 Peptiden korrekt als bitter oder nicht bitter ein. Wie Sie solche Modelle in Ihre eigene Rezeptur-Entwicklung einordnen, zeigt unser Praxisleitfaden. Kostenlosen Praxisleitfaden zur KI-Geschmacksvorhersage anfordern
Hohe Trefferquote bei experimenteller Überprüfung
Die Leistungsfähigkeit der Methodik wurde anhand konkreter Tests überprüft. Das Leibniz-Institut für Lebensmittel-Systembiologie generierte mithilfe des Modells 161 neue Peptidsequenzen. Aus diesem Pool wurden 31 Sequenzen experimentell getestet.
Dabei stufte das Berechnungsmodell 25 der getesteten Peptide korrekt als bitter oder nicht bitter ein. Zudem identifizierte das Forschungsinstitut im Rahmen der Arbeiten zahlreiche bisher unbekannte bittere sowie nicht-bittere Peptide. Derartige Ergebnisse unterstreichen das Potenzial bioinformatischer Modelle, den Zeit- und Arbeitsaufwand bei der Entdeckung und Einstufung funktioneller Lebensmittelbestandteile im Labor zu verringern.
Perspektiven für pflanzliche Lebensmittel
Die Analyse von Geschmackspeptiden besitzt eine hohe Praxisrelevanz für die Ernährungswirtschaft. Insbesondere pflanzenbasierte Proteinquellen weisen in verarbeiteten Produkten häufig herbe oder bittere Geschmacksnoten auf, die für sensorische Herausforderungen bei der Produktentwicklung sorgen.
Pflanzenbasierte Proteinquellen bringen häufig herbe oder bittere Noten mit — und jede Sensorikrunde kostet Zeit und Material. Statt jede Variante zu verkosten, lässt sich die Bitterkeit von Peptiden heute rechnergestützt vorhersagen und die Zahl der Laborversuche gezielt eingrenzen. Unser Leitfaden zeigt in fünf Schritten, wie Sie Bitterstoffe früher eingrenzen und proteinreiche Rezepturen schneller auf die Zielnote bringen. 5 Schritte zur Rezeptur-Optimierung jetzt ansehen
Studienleiterin Antonella Di Pizio verwies darauf, dass langfristig eine gezielte Steuerung der Bildung bitterer Peptide bei pflanzenbasierten, proteinreichen Lebensmitteln möglich sei. Mit den neuen Verfahren zur Identifikation und Vorhersage solcher Moleküle erhält die Forschung ein Werkzeug, um die geschmacklichen Eigenschaften künftiger proteinreicher Rezepturen bereits auf molekularer Ebene präziser zu steuern.
