LONDON (IT BOLTWISE) – Forschende koppeln ein Protein-Language-Model mit einem Graph-Convolutional-Network, um die Bitterkeit von Peptiden vorherzusagen. In einem Blindtest mit einem kalibrierten Sensorikpanel stimmen die KI-Prognosen bei 25 von 31 de-novo konstruierten Sequenzen mit den menschlichen Geschmacksergebnissen überein. Darüber hinaus erzeugt das System gezielt neue Peptidsequenzen, statt nur bestehende Klassen zu erkennen. Das Ziel: Bitteraromen in pflanzenbasierten Proteinprodukten und fermentierten Lebensmitteln messbarer und damit besser steuerbar machen.
Was als Geschmacksfrage klingt, wird in der Lebensmittel-Forschung zunehmend zu einer Frage der Molekülmodellierung: Bittere Peptide entstehen oft während des Abbaus von Proteinen und können die Akzeptanz von fermentierten Produkten, Protein-Hydrolysaten und pflanzenbasierten Alternativen spürbar drücken. Der neue Ansatz aus der Forschungslinie rund um das Leibniz Institute for Food Systems Biology an der Technischen Universität München (TUM) setzt genau dort an und versucht, Bitterkeit nicht nur zu erkennen, sondern sie strukturell zu entschlüsseln. Damit verschiebt sich der Fokus von nachgelagerter Rezepturarbeit hin zu einer planbaren Gestaltung der Peptidchemie, bevor unangenehme Off-Tastes entstehen.
Technisch kombiniert das Pipeline-Design zwei KI-Paradigmen, die unterschiedliche „Sichtweisen“ auf ein Peptid nutzen. Zum einen steht ein spezialisiertes Protein-Language-Model, das mit einer kuratierten Basis von rund 500 bekannten bitteren Peptiden trainiert wurde und die Sequenzgrammatik der Aminosäuren interpretiert. Zum anderen verarbeitet BitterPep-GCN, ein Graph Convolutional Network, die Beziehung innerhalb des Moleküls über strukturierte Daten: Es ordnet räumliche, topologische und damit chemisch relevante Nachbarschaften der Bausteine im Peptidgraphen zu. Diese Kombination ist entscheidend, weil Bitterkeit typischerweise nicht nur vom „Welche“ der Aminosäuren abhängt, sondern auch vom „Wie“ ihrer Anordnung im Raum und in Wechselwirkungen mit Rezeptorstrukturen.
Die praktische Leistung wird dabei über zwei Schritte sichtbar: Generierung und Selektion. Aus dem KI-System heraus wurden 161 neuartige Peptidsequenzen vorgeschlagen, die zuvor experimentell nicht erzeugt oder charakterisiert wurden. Danach erfolgte ein rechnerisches Screening, bei dem das Modell die Sequenzen nach ihrer Wahrscheinlichkeit für Bitter- versus Neutralgeschmack sortierte. Um die Bildbarkeit der Datenbasis zu erhöhen, wird in der Studienmethodik außerdem beschrieben, dass zwei Peptidbibliotheken aufgebaut wurden: eine gezielte Tripeptidbibliothek aus abgeleiteten Mustersegmenten bekannter bitterer und nicht-bitterer Peptide sowie eine Menge de-novo entworfener Sequenzen. Für die de-novo Bibliothek wurde das bedingte Sprachmodell ZymCTRL auf einem Datensatz sensorisch validierter bitterer Peptide (BPS-1000) feinjustiert, bevor BitterPep-GCN als Filter Kandidaten mit hoher Modellkonfidenz auswählte.
Der größte Hebel für die Aussagekraft liegt im Validierungsteil, weil reine Modellmetriken hier zu kurz greifen würden. Die Forschenden synthetisierten die jeweils unterschiedlichsten Kandidatenpeptide und führten dann verblindete Verkostungen mit einem kalibrierten menschlichen Sensorikpanel durch, also einem Setup, das die Zuordnung „bitter“ und „nicht bitter“ an echte Wahrnehmung koppelt. Das Ergebnis: Die KI-Prognosen stimmten bei 25 von 31 untersuchten Peptiden mit den Panel-Entscheidungen überein. Innerhalb dieser Trefferquote werden sowohl bestätigte bittere Sequenzen als auch bestätigte nicht-bittere Sequenzen genannt, was darauf hindeutet, dass das System nicht ausschließlich auf „Bitterheit erkennen“ optimiert wurde, sondern auch eine sinnvolle Neutralitätsklassifikation liefern kann. Genau dieses Zusammenspiel aus in-silico-Klassifikation und menschlicher Sensorik macht den Ansatz für Anwendungen in der Lebensmittelentwicklung plausibel.
Inhaltlich adressiert die Studie damit mehr als nur die Wahrnehmung im Mund. Bittergeschmack ist evolutionär eng mit Schutzfunktionen verknüpft; gleichzeitig zeigen Erkenntnisse, dass Bittergeschmacksrezeptoren Signalwege aktivieren können, die Körperfunktionen beeinflussen, darunter solche, die Hunger- und Sättigungsregulation betreffen. Für die Lebensmittelindustrie heißt das: Bittere Peptide sind ein Qualitäts- und Akzeptanzfaktor, aber auch ein Baustein, der potenziell physiologisch relevante Interaktionen auslöst. Wenn es gelingt, die strukturelle „Bitter-Signatur“ verlässlich vorherzusagen und sogar gegenzusteuern, entsteht die Möglichkeit, bitterbildende Vorstufen in Herstellungsprozessen frühzeitig zu reduzieren oder gezielt zu verändern – etwa bei proteinreichen Ausgangsstoffen oder Fermentationsprozessen, bei denen die Bildung ungewollter Peptidfragmente schwer vorhersehbar ist.
Markt- und Industrietrends verstärken den Nutzen dieser Art von Modellierung. Pflanzenbasierte Proteine und nachhaltige Protein-Hydrolysate stehen unter besonderem Druck, weil Off-Tastes oft unmittelbar die Verbraucherakzeptanz bestimmen. Während viele Teams bislang vor allem experimentell über Rezepturvarianten iterieren, bietet die hier beschriebene generative Modellkette eine neue Art von Vorausplanung: Kandidaten können im Vorfeld ausgewählt und priorisiert werden, was die Zahl teurer Synthese- und Testschleifen reduziert. Dazu kommt, dass Bitterpep-basierte Pipeline-Ansätze als Baustein in künftige Workflows für präzise Peptidgestaltung passen, beispielsweise wenn Produzenten unterschiedliche Rohstoffqualitäten einsetzen oder Fermentationsbedingungen variieren müssen. Einen konkreten Migrationspfad liefert das Paper über die Kombination aus sequenzieller Modellierung, graphbasierter Strukturverarbeitung und sensorischer Endvalidierung. Der wissenschaftliche Referenzpunkt ist dabei die Open-Access-Publikation „De novo design and experimental characterization of bitter peptides“ in npj Science of Food (DOI: 10.1038/s41538-026-00942-0).
Auch für die Forschung selbst ist die Arbeit ein Signal dafür, dass KI-Methoden im Food-Bereich nicht mehr an der Klassifikation enden müssen. Der Ansatz zeigt, dass generative Modelle in Kombination mit geordneten Filtermechanismen (hier: BitterPep-GCN) gezielt neue, testbare Peptidbibliotheken erzeugen können. Für Unternehmen bedeutet das vor allem eines: weniger Ratespiel zwischen „Welche Hydrolysate funktionieren?“ und „Wie verhindern wir unerwünschte Bitternoten?“, sondern ein planbarer Zusammenspielraum aus Daten, Modellen und gezielter Produktspezifikation. Ob sich die Pipeline in unterschiedlichen Lebensmittelmatrizes und bei wechselnden Rohstoffprofilen ähnlich gut verhält, bleibt zwar eine Frage für weitere Studien; die vorliegenden Treffer bei 25 von 31 Validierungen liefern aber bereits eine belastbare Grundlage, um den nächsten Schritt Richtung skalierbarer Geschmackskontrolle vorzubereiten.
💳 Amazon-Kreditkarte mit 2.000 Euro Limit bestellen!
🔥 Heutige Hot Deals bei Amazon: Bis zu 80% Rabatte!
🎉 Amazon Haul-Store für absolute Schnäppchenjäger!
- ★ 23-stufiges KI-Go-Training – Für Spieler mit Grundkenntnissen der Regeln – Entwickelt als intelligenter Trainingspartner passt sich die KI Spielern von 18K bis 9D an. Ideal für alle, die die Grundregeln bereits beherrschen und ihr Spiel verbessern möchten.
- IHR EMOTIONALER AI-BEGLEITER: Eiliko ist mehr als nur ein Anhänger, es ist ein charismatischer KI-Freund. Mit einem dynamischen LED-Bildschirm, der eine Vielzahl von animierten Gesichtern und Ausdrucksformen anzeigt, reagiert er auf Ihre Interaktionen mit einzigartiger Persönlichkeit und Charme.
- 【MEHR LEBEN FÜR DEINEN SCHREIBTISCH】 Lerne Eilik kennen – deinen kleinen Roboter-Freund mit Persönlichkeit. Mit liebevollen Animationen, ausdrucksstarken Reaktionen und spielerischen Interaktionen bringt Eilik mehr Freude in deinen Alltag. Ob auf dem Schreibtisch, im Büro oder am Nachttisch – Eilik wird schnell zu einem vertrauten Begleiter für besondere Momente.
- 【XL-Größe für gedeihende Pflanzen】Geben Sie Ihren Pflanzen den Raum, den sie verdienen! Unser verbessertes, großes 13,7 cm großes Design bietet Platz für Pflanzen mit einem Durchmesser von bis zu 8,9 cm und damit deutlich mehr Platz für Wurzelwachstum und Pflanzengesundheit im Vergleich zu kleineren, veralteten Modellen. Die Produktabmessungen betragen 13,6 x 13,6 x 13,2 cm und das Gerät wiegt nur 355 g.
- V28 Update - JETZT MIT NEUEN FUNKTIONEN! Als Reaktion auf das Ladeproblem von Loona haben wir das automatische Aufladen 2.0 verbessert. Diese Optimierung hilft Loona, die Ladewege in verschiedenen Szenarien zu erkennen und anzupassen, um die Erfolgsquote beim automatischen Aufladen zu erhöhen. Mobile Hotspots können sich mit Loona verbinden und überwinden WLAN-Einschränkungen, sodass Sie jederzeit und überall mit Loona interagieren können.
- Die besten Bücher rund um KI & Robotik!
- Die besten KI-News kostenlos per eMail erhalten!
- Zur Startseite von IT BOLTWISE® für aktuelle KI-News!
- IT BOLTWISE® kostenlos auf Patreon unterstützen!
- Aktuelle KI-Jobs auf StepStone finden und bewerben!
- Künstliche Intelligenz: Dem Menschen überlegen – wie KI uns rettet und bedroht | Der Neurowissenschaftler, Psychiater und SPIEGEL-Bestsellerautor von »Digitale Demenz«
Du hast einen wertvollen Beitrag oder Kommentar zum Artikel "KI entschlüsselt Bitterkeit von Peptiden und entwirft neue Sequenzen" für unsere Leser?
#Sophos
#AmazonPrime
#Bestseller
Es werden alle Kommentare moderiert!
Für eine offene Diskussion behalten wir uns vor, jeden Kommentar zu löschen, der nicht direkt auf das Thema abzielt oder nur den Zweck hat, Leser oder Autoren herabzuwürdigen.
Wir möchten, dass respektvoll miteinander kommuniziert wird, so als ob die Diskussion mit real anwesenden Personen geführt wird. Dies machen wir für den Großteil unserer Leser, der sachlich und konstruktiv über ein Thema sprechen möchte.
Du willst nichts verpassen?
Du möchtest über ähnliche News und Beiträge wie "KI entschlüsselt Bitterkeit von Peptiden und entwirft neue Sequenzen" informiert werden? Neben der E-Mail-Benachrichtigung habt ihr auch die Möglichkeit, den Feed dieses Beitrags zu abonnieren. Wer natürlich alles lesen möchte, der sollte den RSS-Hauptfeed oder IT BOLTWISE® bei Google News wie auch bei Bing News abonnieren.
Nutze die Google-Suchmaschine für eine weitere Themenrecherche: »KI entschlüsselt Bitterkeit von Peptiden und entwirft neue Sequenzen« bei Google Deutschland suchen, bei Bing oder Google News!