Mobile-Menu

Bitteres aus der Forschung Wenn die KI vorab auf den Geschmack kommt

Quelle: Leibniz-Institut für Lebensmittel-Systembiologie 2 min Lesedauer

Anbieter zum Thema

Leibniz-Institut für Lebensmittel-Systembiologie an der TU München

Bei der Herstellung von Kefir, Parmesan oder Bergkäse können bitter schmeckende Peptide entstehen. Eine KI kann nun die Bitterkeit dieser Peptide vorhersagen ...

Pflanzliche Proteine stärker zu nutzen, wäre gut, aber sie können bittere Peptide enthalten. Mit einer neuen KI lässt sich ihr Geschmack nun aber vorhersagen, um gezielt die richtigen Peptide herzustellen. Das Bild zeigt die Rezeptortasche für Bitteres mit gebundenem Tripeptid (gelblich).(Bild: F. Bößl / Leibniz-LSB)
Pflanzliche Proteine stärker zu nutzen, wäre gut, aber sie können bittere Peptide enthalten. Mit einer neuen KI lässt sich ihr Geschmack nun aber vorhersagen, um gezielt die richtigen Peptide herzustellen. Das Bild zeigt die Rezeptortasche für Bitteres mit gebundenem Tripeptid (gelblich).
(Bild: F. Bößl / Leibniz-LSB)

Bitter schmeckende Peptide entstehen beim enzymatischen oder chemischen Abbau von Proteinen und stellen eine besondere Herausforderung bei der Herstellung fermentierter Lebensmittel oder Proteinhydrolysate dar, wie Experten erklären. Gleichzeitig können sie physiologische Eigenschaften besitzen und etwa zur Regulierung von Hunger und Sättigung beitragen. 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 ermögliche es auch, bitter schmeckende Peptide von Grund auf neu zu entwerfen, was als wichtiger Schritt in der Geschmacks- und Lebensmittelforschung gilt. Denn so können pflanzliche Proteinquellen für die Lebensmittelproduktion attraktiver gemacht und selbst nachhaltiger genutzt werden, sagen die Forscher. Um eine solche KI-gestützte Methode zu entwickeln, kombinierte das Team ein Sprachmodell für Proteine, welches die Wissenschaftler zuvor anhand von etwa 500 bekannten, bitter schmeckenden Peptiden trainiert hatten.

Probanden bestätigten die guten Vorhersagen

Das geschah eben mit dem kürzlich von ihnen entwickelten Vorhersagemodell „BitterPep-GCN“. Dabei handelt es sich um ein sogenanntes Graph Convolutional Network (GCN), was eine spezielle Form künstlicher neuronaler Netze darstellt, die zur Analyse strukturierter Daten eingesetzt wird. Auf dieser Grundlage generierten die Forscher dann zunächst 161 neue Peptidsequenzen, die noch nicht experimentell charakterisiert worden sind. Anschließend identifizierten sie jene Kandidaten, bei denen laut den Modellvorhersagen eine hohe Wahrscheinlichkeit zu erwarten war, dass sie bitter oder nicht bitter schmecken werden. Die vielversprechendsten dieser Peptide ließen sie dann synthetisieren und anschließend von einem geschulten Sensorik-Panel verkosten. In den meisten Fällen bestätigten sich die KI-Vorhersagen, wie man betont. Denn von den 31 getesteten Peptiden stuften die Probanden 25 korrekt als bitter oder nicht bitter ein. Auch identifizierte man zahlreiche bisher unbekannte, bitter und nicht bitter schmeckende Peptide. Wie es weiter heißt, ist man bereits an der Umsetzung für Anwendungen.

(ID:50962315)

Jetzt Newsletter abonnieren

Verpassen Sie nicht unsere besten Inhalte

Mit Klick auf „Newsletter abonnieren“ erkläre ich mich mit der Verarbeitung und Nutzung meiner Daten gemäß Einwilligungserklärung (bitte aufklappen für Details) einverstanden und akzeptiere die Nutzungsbedingungen. Weitere Informationen finde ich in unserer Datenschutzerklärung. Die Einwilligungserklärung bezieht sich u. a. auf die Zusendung von redaktionellen Newslettern per E-Mail und auf den Datenabgleich zu Marketingzwecken mit ausgewählten Werbepartnern (z. B. LinkedIn, Google, Meta).

Aufklappen für Details zu Ihrer Einwilligung