Badania nad smakiem Sztuczna inteligencja umożliwia projektowanie od podstaw peptydów o gorzkim smaku

Podczas wytwarzania produktów fermentowanych, takich jak kefir, parmezan czy sery górskie, a także podczas produkcji proszków białkowych mogą powstawać peptydy o gorzkim smaku, które negatywnie wpływają na smak, a tym samym na akceptację tych produktów. Zespół badawczy opracował teraz metodę opartą na sztucznej inteligencji, która pozwala przewidywać gorycz peptydów oraz projektować od podstaw peptydy o gorzkim smaku. 

Peptydy o gorzkim smaku powstają w wyniku enzymatycznego lub chemicznego rozkładu białek i stanowią szczególne wyzwanie przy produkcji żywności fermentowanej lub hydrolizatów białkowych. Jednocześnie mogą one wykazywać właściwości fizjologiczne i przyczyniać się na przykład do regulacji uczucia głodu i sytości. Zespół badawczy pod kierownictwem Instytutu Leibniza ds. Biologii Systemowej Żywności przy Politechnice w Monachium opracował i z powodzeniem przetestował metodę opartą na sztucznej inteligencji, która pozwala przewidywać gorycz peptydów.

„Aby zwiększyć atrakcyjność roślinnych źródeł białka w produkcji żywności i zapewnić ich bardziej zrównoważone wykorzystanie, musimy lepiej zrozumieć, które peptydy mają gorzki smak i jakie cechy strukturalne je charakteryzują. Również w tym przypadku metody oparte na sztucznej inteligencji mogą wnieść istotny wkład” – mówi Antonella Di Pizio, kierowniczka obecnego badania, w którym uczestniczyli również naukowcy z Politechniki w Monachium oraz Uniwersytetu Pompeu Fabra w Barcelonie.

Połączenie modelu językowego i sztucznej sieci neuronowej

Aby opracować taką metodę opartą na sztucznej inteligencji, zespół pod kierownictwem Antonelli Di Pizio połączył model językowy oparty na białkach, który zespół wcześniej wytrenował na podstawie około 500 znanych peptydów o gorzkim smaku, z niedawno opracowanym przez nich modelem prognostycznym „BitterPep-GCN”. Jest to tak zwana sieć konwolucyjna grafów (GCN), specjalna forma sztucznych sieci neuronowych wykorzystywana do analizy danych strukturalnych.

Na tej podstawie naukowcy wygenerowali najpierw 161 nowych sekwencji peptydowych, które nie zostały jeszcze scharakteryzowane eksperymentalnie. Następnie zidentyfikowali te sekwencje, co do których – zgodnie z przewidywaniami modelu – istniało wysokie prawdopodobieństwo, że będą miały gorzki lub niegorzki smak.

Prognozy w dużej mierze się potwierdziły

Najbardziej obiecujące z tych peptydów zlecono zsyntetyzować, a następnie poddano degustacji przez przeszkolony panel sensoryczny. W większości przypadków prognozy sztucznej inteligencji okazały się trafne: spośród 31 badanych peptydów uczestnicy badania poprawnie sklasyfikowali 25 jako gorzkie lub niegorzkie. Ponadto zespół badawczy zidentyfikował liczne, dotychczas nieznane peptydy o smaku gorzkim i niegorzkim.

„Nasze wyniki pokazują, że można nie tylko przewidzieć gorycz peptydów, ale także, że nasza nowa metoda oparta na sztucznej inteligencji może służyć do celowego projektowania nowych peptydów o gorzkim smaku”, mówi Alexandra Steuer, pierwsza autorka badania i doktorantka w grupie badawczej Molecular Modeling pod kierownictwem Antonelli Di Pizio. „To znacznie przybliża nas do celu, jakim jest proaktywne sterowanie właściwościami smakowymi”, dodaje kierowniczka badania Antonella Di Pizio.

Naukowczyni podkreśla, że wyniki badań są już gotowe do wdrożenia w środowiskach praktycznych : „W dłuższej perspektywie te nowe odkrycia mogłyby przyczynić się do celowego kontrolowania powstawania peptydów o gorzkim smaku podczas produkcji żywności. Miałoby to szczególne znaczenie w przypadku produktów spożywczych pochodzenia roślinnego, bogatych w białko, których akceptacja często cierpi z powodu niepożądanych nut smakowych”.

Informacje dodatkowe:
Informacje dotyczące peptydów gorzkich wykorzystanych w treningu pochodzą z bazy danych Bitter Peptide Space (BPS)-1000.
W publikacji „Srivastava P i in. Bitter peptide prediction using graph neural networks. J Cheminform (2024)  przedstawia BitterPep-GCN, niezależną od cech sieć konwolucyjną grafową służącą do przewidywania peptydów gorzkich.

Originalpublikation: 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