Bitterkeit in Lebensmitteln: KI sagt Peptid-Geschmack mit 80% Genauigkeit voraus
Veröffentlicht am: 23.09.2026 um 09:13 Uhr | Redaktion boerse-global.de
Künstliche Intelligenz gewinnt in der Lebensmittel- und Geschmacksforschung zunehmend an Bedeutung. Forschende des Leibniz-Instituts für Lebensmittel-Systembiologie an der Technischen Universität München (Leibniz-LSB@TUM) stellten am 25. Juni 2026 eine neue computergestützte Methode vor, mit der sich die Bitterkeit von Peptiden präzise vorhersagen lässt. Das System ermöglicht zudem das sogenannte De-novo-Design neuer bitter schmeckender Peptidstrukturen.
Kombination aus Sprachmodell und Graph-Netzwerk
Der entwickelte Ansatz verknüpft ein Protein-Sprachmodell mit dem Graph Convolutional Network „BitterPep-GCN“, das bereits 2024 im Journal of Cheminformatics beschrieben wurde.
Für das Training des Sprachmodells nutzte das Team rund 500 bekannte bittere Peptide, deren Trainingsdaten aus der BPS-1000-Datenbank stammen. Durch diesen Aufbau gelang es der Forschungsgruppe, 161 neue, zuvor experimentell nicht charakterisierte Peptidsequenzen am Computer zu erzeugen.
Die wissenschaftliche Leitung der Untersuchung lag bei Antonella Di Pizio, während Alexandra Steuer als Erstautorin fungierte. Neben dem Leibniz-LSB@TUM waren die Technische Universität München sowie die Pompeu-Fabra-Universität Barcelona an der Arbeit beteiligt. Die Ergebnisse wurden unter Beteiligung weiterer Forschender im Fachjournal npj Science of Food veröffentlicht.
Hohe Trefferquote bei sensorischer Überprüfung
Um die Vorhersagekraft der Computermodelle in der Praxis zu überprüfen, wurden 31 der neu entworfenen Peptide synthetisiert und anschließend von einem geschulten Sensorik-Panel verkostet. Die menschlichen Tester stuften 25 dieser Moleküle korrekt als bitter beziehungsweise nicht-bitter ein, was einer Genauigkeit von circa 80 Prozent entspricht.
Bittere Peptide entstehen beim Proteinabbau — in Kefir, Bergkäse, Parmesan und Proteinpulvern. Ein KI-Ansatz ordnet sie jetzt am Computer ein, bevor das Sensorik-Panel überhaupt kostet. Unser kostenloser Praxisleitfaden zeigt Ihnen in 5 Schritten, wie Sie Bitterkeit in proteinreichen Produkten gezielter steuern. Praxisleitfaden jetzt anfordern
Dabei stach insbesondere das Tripeptid WWW hervor, das aus drei Tryptophan-Molekülen besteht. Dieses Peptid aktivierte menschliche Bitterrezeptoren besonders intensiv und wies eine sensorische Schwelle von 4,1 Mikromol pro Liter auf. Bei vier weiteren bitteren Peptiden beobachteten die Forschenden zudem eine geschmackliche Besonderheit: Bei höheren Konzentrationen trat aufgrund von Glutaminsäure zusätzlich eine saure Geschmacksnote auf.
Relevanz für fermentierte und pflanzliche Lebensmittel
Bittere Peptide entstehen natürlicherweise während des enzymatischen oder chemischen Proteinabbaus. Typischerweise treten sie in fermentierten Produkten wie Kefir, Bergkäse oder Parmesan sowie in konzentrierten Proteinpulvern auf. Über ihren Geschmack hinaus besitzen diese Moleküle auch ernährungsphysiologische Relevanz, da sie an der Regulierung von Hunger und Sättigung beteiligt sein können.
Ein vorrangiges Ziel der Forschungsarbeit am Leibniz-LSB@TUM besteht darin, Bitterkeit in proteinreichen Lebensmitteln gezielter steuern zu können. Dies gilt als wesentlicher Faktor für die Akzeptanz neuartiger, pflanzenbasierter Proteinquellen bei Verbraucherinnen und Verbrauchern.
Methodische Grenzen und Ausblick
Trotz der erzielten Erfolge verweisen die Forschenden auf Einschränkungen des datengetriebenen Ansatzes. Maschinelle Lernmodelle sind auf sehr große Mengen qualitativ hochwertiger experimenteller Trainingsdaten angewiesen. Wenn Datenbanken unausgewogen strukturiert sind, stoßen die Algorithmen insbesondere bei der verlässlichen Vorhersage längerer Proteinketten derzeit an Grenzen.
Ihr Sensorik-Panel kostet Zeit und Geld — und liefert erst nach der Synthese ein Ergebnis. Der neue Ansatz setzt früher an: Er filtert Peptidsequenzen bereits am Rechner. Der Leitfaden zeigt, welche Trainingsdaten und Datenbanken Sie dafür brauchen und wo datengetriebene Modelle an Grenzen stoßen. Checkliste für Ihre Peptid-Datenbanken sichern
Laut den Angaben in der Fachpublikation erklären die beteiligten Autorinnen und Autoren, dass im Zusammenhang mit der Studie keine Interessenkonflikte vorliegen.
