KI als Werkzeug in der Geschmacksforschung: De-novo-Design bitterer Peptide

Freising, 22. September 2026 – Bei der Herstellung fermentierter Produkte wie Kefir, Parmesan oder Bergkäse, aber auch bei der Produktion von Proteinpulvern können bitter schmeckende Peptide entstehen, die den Geschmack und damit die Akzeptanz der Produkte beeinträchtigen. Ein Forschungsteam unter der Leitung des Leibniz-Instituts für Lebensmittel-Systembiologie an der Technischen Universität München hat nun eine KI-basierte Methode entwickelt und erfolgreich getestet, mit der sich die Bitterkeit von Peptiden vorhersagen lässt. Sie ermöglicht es zudem, bitter schmeckende Peptide von Grund auf neu zu entwerfen. Dies ist ein weiterer wichtiger Schritt in der Geschmacks- und Lebensmittelforschung. 

Bitter schmeckende Peptide entstehen beim enzymatischen oder chemischen Abbau von Proteinen und stellen eine besondere Herausforderung bei der Herstellung fermentierter Lebensmittel oder Proteinhydrolysate dar. Gleichzeitig können sie physiologische Eigenschaften besitzen und beispielsweise zur Regulierung von Hunger und Sättigung beitragen.

„Um pflanzliche Proteinquellen für die Lebensmittelproduktion attraktiver zu machen und sie nachhaltiger zu nutzen, müssen wir besser verstehen, welche Peptide bitter schmecken und welche strukturellen Merkmale diese auszeichnen. Auch hier können KI-basierte Methoden einen wichtigen Beitrag leisten“, sagt Antonella Di Pizio, Leiterin der aktuellen Studie, an der auch Forschende der Technischen Universität München und der Pompeu-Fabra-Universität in Barcelona beteiligt waren.

Kombination aus einem Sprachmodell und einem künstlichen neuronalen Netzwerk

Um eine solche KI-gestützte Methode zu entwickeln, kombinierte das Team um Antonella Di Pizio ein Protein-Sprachmodell, welches das Team zuvor anhand von etwa 500 bekannten, bitter schmeckenden Peptiden trainiert hatte, mit dem kürzlich von ihnen entwickelten Vorhersagemodell „BitterPep-GCN“. Dabei handelt es sich um ein sogenanntes Graph Convolutional Network (GCN), eine spezielle Form künstlicher neuronaler Netze, die zur Analyse strukturierter Daten eingesetzt wird. 

Auf dieser Grundlage generierten die Forschenden zunächst 161 neue Peptidsequenzen, die noch nicht experimentell charakterisiert worden waren. Anschließend identifizierten sie jene Kandidaten, bei denen laut den Modellvorhersagen eine hohe Wahrscheinlichkeit bestand, dass sie bitter oder nicht bitter schmecken würden.

Vorhersagen weitgehend bestätigt

Die vielversprechendsten dieser Peptide ließen sie synthetisieren und anschließend von einem geschulten Sensorik-Panel verkosten. In den meisten Fällen bestätigten sich die KI-Vorhersagen: Von den 31 getesteten Peptiden stuften die Probanden 25 korrekt als bitter oder nicht bitter ein. Darüber hinaus identifizierte das Forschungsteam zahlreiche bisher unbekannte, bitter und nicht bitter schmeckende Peptide.

„Unsere Ergebnisse zeigen, dass sich nicht nur die Bitterkeit von Peptiden vorhersagen lässt, sondern dass unsere neue KI-basierte Methode auch dazu genutzt werden kann, neue bitter schmeckende Peptide gezielt zu entwerfen“, sagt Alexandra Steuer, Erstautorin der Studie und Doktorandin in der Forschungsgruppe Molecular Modeling von Antonella Di Pizio. „Das bringt uns dem Ziel, Geschmackseigenschaften proaktiv zu steuern, deutlich näher“, fügt Studienleiterin Antonella Di Pizio hinzu.

Die Wissenschaftlerin betont, dass die Forschungsergebnisse bereit für die Umsetzung in Anwendungsumgebungen sind: „Langfristig könnten diese neuen Erkenntnisse dazu beitragen, die Bildung bitter schmeckender Peptide bei der Lebensmittelproduktion gezielt zu steuern. Dies wäre insbesondere für pflanzenbasierte, proteinreiche Lebensmittel relevant, deren Akzeptanz oft unter unerwünschten Geschmacksnoten leidet.“

Publikation:

Steuer A, Ferri F, Eckrich L, Heidenkampf J, Mittermeier-Kleßinger VK, Schaefer S, Behrens M, Ferruz N, Dawid C, Di Pizio A. De-novo-Design und experimentelle Charakterisierung bitterer Peptide. NPJ Sci Food. (2026). doi: 10.1038/s41538-026-00942-0. https://doi.org/10.1038/s41538-026-00942-0

Hintergrundinformation:

Die Informationen zu den für das Training verwendeten Bitterpeptiden entstammen der Datenbank Bitter Peptide Space (BPS)-1000. https://www.leibniz-lsb.de/datenbanken/bitter-peptide-space-bps-1000-database

Die Publikation „Srivastava P et al. Bitter peptide prediction using graph neural networks. J Cheminform. (2024). https://doi.org/10.1186/s13321-024-00909-x“ stellt das BitterPep-GCN vor, ein merkmalsunabhängiges Graph-Convolution-Netzwerk zur Vorhersage von Bitterpeptiden.

Kontakte:

Expertinnenkontakt:

Prof. Dr. Antonella Di Pizio
Leiterin der Forschungsgruppe Molecular Modeling
Leibniz-Institut für Lebensmittelsystembiologie
an der Technischen Universität München (Leibniz-LSB@TUM)
Lise-Meitner-Str. 34
85354 Freising
Telefon: +49 816171-6516
E-Mail: a.dipizio.leibniz-lsb(at)tum.de

Pressekontakt am Leibniz-LSB@TUM:

Dr. Gisela Olias
Wissenstransfer, Presse- und Öffentlichkeitsarbeit
Tel.: +49 8161 71-2980
E-Mail: g.olias.leibniz-lsb(at)tum.de
www.leibniz-lsb.de

Informationen zum Institut:

Das Leibniz-Institut für Lebensmittel-Systembiologie an der Technischen Universität München besitzt ein einzigartiges Forschungsprofil an der Schnittstelle zwischen Lebensmittelchemie & Biologie, Chemosensoren & Technologie sowie Bioinformatik & Maschinellem Lernen. Weit über die bisherige Kerndisziplin der klassischen Lebensmittelchemie hinausgewachsen, leitet das Institut die Entwicklung einer Systembiologie der Lebensmittel ein. Sein Ziel ist es, neue Ansätze für die nachhaltige Produktion ausreichender Mengen an Lebensmitteln zu entwickeln, deren Inhaltsstoff- und Funktionsprofile an den gesundheitlichen und nutritiven Bedürfnissen, aber auch den Präferenzen der Verbraucherinnen und Verbraucher ausgerichtet sind. Hierzu erforscht es die komplexen Netzwerke sensorisch relevanter Lebensmittelinhaltsstoffe entlang der gesamten Wertschöpfungskette mit dem Fokus, deren physiologische Wirkungen systemisch verständlich und langfristig vorhersagbar zu machen.

Mitglied der Leibniz-Gemeinschaft

Das Leibniz-Institut ist ein Mitglied der Leibniz-Gemeinschaft (https://www.leibniz-gemeinschaft.de/), die 96 selbständige Forschungseinrichtungen verbindet. Leibniz-Institute widmen sich gesellschaftlich, ökonomisch und ökologisch relevanten Fragen. Sie betreiben erkenntnis- und anwendungsorientierte Forschung, auch in den übergreifenden Leibniz-Forschungsverbünden, sind oder unterhalten wissenschaftliche Infrastrukturen und bieten forschungsbasierte Dienstleistungen an. Die Leibniz-Gemeinschaft setzt Schwerpunkte im Wissenstransfer, vor allem mit den Leibniz-Forschungsmuseen. Sie berät und informiert Politik, Wissenschaft, Wirtschaft und Öffentlichkeit.

Leibniz-Einrichtungen pflegen enge Kooperationen mit den Hochschulen - in Form der Leibniz-WissenschaftsCampi, mit der Industrie und anderen Partnern im In- und Ausland. Die Leibniz-Institute unterliegen einem transparenten und unabhängigen Begutachtungsverfahren. Aufgrund ihrer gesamtstaatlichen Bedeutung fördern Bund und Länder die Institute der Leibniz-Gemeinschaft gemeinsam. Die Leibniz-Institute beschäftigen rund 21.400 Personen, darunter 12.200 Wissenschaftlerinnen und Wissenschaftler. Das Finanzvolumen liegt bei gut 2,3 Milliarden Euro.

Hinweis zur Nutzung von KI:

Zur Ideenfindung für sprachliche Optimierungen und Übersetzungen wurden zum Teil Vorschläge eines KI-Programms verwendet, beispielsweise für Überschriften. Der Pressetext wurde von der Pressestelle auf Basis der Originalpublikation erstellt und von den beteiligten Forschenden auf sachliche Richtigkeit überprüft und gegebenenfalls korrigiert.

+++ Bleiben Sie über unseren LinkedIn-Kanal auf dem Laufenden +++