Pflanzliche Proteine: KI-Modell entschlüsselt Bitterstoffe präzise
Veröffentlicht am: 23.09.2026 um 11:51 Uhr | Redaktion boerse-global.de
Die gezielte Beeinflussung von Geschmacksprofilen gewinnt in der Lebensmittelwissenschaft zunehmend an Bedeutung. Bei der Entwicklung von Lebensmitteln auf Basis pflanzlicher Proteinquellen stellt ein unerwünschter bitterer Beigeschmack oft eine Hürde dar.
Aktuelle wissenschaftliche Untersuchungen zeigen nun im Detail, wie bestimmte Moleküle auf die Geschmackswahrnehmung wirken: Ein aus drei Tryptophan-Molekülen bestehendes Tripeptid mit der Bezeichnung WWW aktiviert Bitter-Rezeptoren auf der menschlichen Zunge außergewöhnlich stark. Die sensorische Schwelle für die Wahrnehmung dieses Moleküls liegt bei 4,1 Mikromol pro Liter.
Identifikation besonders intensiver Bittermoleküle
Die Identifizierung dieser Struktur gelang im Rahmen von Forschungsarbeiten des Leibniz-Instituts für Lebensmittel-Systembiologie an der Technischen Universität München (Leibniz-LSB@TUM) in Freising, die in Zusammenarbeit mit der TU München und der Pompeu-Fabra-Universität Barcelona durchgeführt wurden.
Eine entsprechende Studie unter der Leitung von Antonella Di Pizio und Erstautorin Alexandra Steuer erschien am 25. Juni 2026 in der Fachzeitschrift npj Science of Food (Band 10, doi:10.1038/s41538-026-00942-0).
Bittere Peptide bilden sich vorrangig beim enzymatischen oder chemischen Abbau von Proteinen. Dieser Prozess tritt unter anderem bei Lebensmitteln wie Kefir, Parmesan, Bergkäse sowie in verschiedenen Proteinpulvern auf.
Neben dem Tripeptid WWW zeigten die Untersuchungen weitere geschmackliche Nuancen: Bei vier im Experiment als bitter verifizierten Peptiden trat bei höheren Konzentrationen durch das Vorhandensein von Glutaminsäure zusätzlich eine saure Geschmacksnote auf.
Bittere Peptide entstehen vor allem beim enzymatischen oder chemischen Abbau von Proteinen — und treffen Entwickler pflanzlicher Proteinprodukte mitten in der Rezeptur. Ein aktueller Forschungsansatz kombiniert ein Protein-Sprachmodell mit einem Graphnetzwerk, um Bitterkeit vorab zu berechnen, statt sie erst im Panel zu entdecken. Unser kostenloser Praxisleitfaden zeigt Ihnen den dreistufigen Workflow von der Sequenzgenerierung bis zur Kandidatenauswahl. Praxisleitfaden jetzt anfordern
Zusammenspiel von Sprachmodell und Graphnetzwerk
Grundlage der Entdeckung war ein neuartiges rechnergestütztes Verfahren zur Vorhersage von Bitterkeit und zum De-novo-Design entsprechender Peptidstrukturen. Das Leibniz-LSB@TUM kombinierte hierfür ein Protein-Sprachmodell mit einem Graph Convolutional Network namens BitterPep-GCN. Das Sprachmodell wurde zuvor mit etwa 500 bekannten bitteren Peptiden trainiert.
Mittels Transfer-Learning erzeugte das System eigenständig 161 neue Peptidsequenzen. Im nächsten Schritt übernahm BitterPep-GCN die Filterung und Bewertung dieser rechnerisch entworfenen Moleküle, um die aussichtsreichsten Kandidaten für Bitterkeit vorab zu bestimmen.
Nach Angaben von Studienleiterin Di Pizio könnten diese Erkenntnisse künftig dazu beitragen, den Geschmack proteinreicher Lebensmittel, insbesondere pflanzlicher Herkunft, gezielt zu steuern.
Sensorische Tests und Grenzen des Modellansatzes
Um die rechnerischen Vorhersagen zu überprüfen, durchliefen ausgewählte synthetisierte Kandidaten eine praktische Prüfung im Labor. Ein Sensorik-Panel aus zwölf Testpersonen verkostete die Peptide. Dabei wurden 25 von 31 Peptiden vom System korrekt als bitter oder nicht-bitter eingestuft. Dies belegt das Potenzial von Graphnetzwerken bei der Vorhersage biologischer Geschmackseigenschaften.
Ihr Sensorik-Panel kostet Zeit und Geld — und liefert erst nach der Synthese ein Ergebnis. Genau hier setzt die datengetriebene Vorauswahl an: In einer aktuellen Untersuchung wurden 25 von 31 getesteten Peptiden korrekt als bitter oder nicht-bitter eingestuft. Entscheidend ist jedoch die Datenbasis: Bei unausbalancierten Trainingsdaten sinkt die Vorhersagequalität für komplexere Ketten. Unsere Checkliste zeigt, wie Sie Ihre Datenbasis prüfen, bevor Sie Rechenzeit investieren. Checkliste Trainingsdaten-Qualität sichern
Gleichzeitig verweisen die Forschenden auf bestehende Grenzen der Technologie. Die Modelle sind auf große Mengen experimentell gesicherter Trainingsdaten angewiesen. Liegt eine unausbalancierte Datenbank vor, bleibt die Vorhersagequalität für komplexere Proteinketten weiterhin eingeschränkt. Für eine verlässliche Analyse längerer Peptidketten bedarf es daher zusätzlicher Trainingsdaten aus empirischen Versuchen.
