Ricerca sul gusto L'intelligenza artificiale consente la progettazione de novo di peptidi amari

Nella produzione di prodotti fermentati come il kefir, il parmigiano o il formaggio di montagna, ma anche nella produzione di proteine in polvere, possono formarsi peptidi dal sapore amaro che compromettono il gusto e, di conseguenza, l’accettabilità dei prodotti. Un gruppo di ricerca ha ora sviluppato un metodo basato sull’intelligenza artificiale che consente di prevedere l’amarezza dei peptidi e di riprogettarne ex novo quelli dal sapore amaro. 

I peptidi dal sapore amaro si formano durante la degradazione enzimatica o chimica delle proteine e rappresentano una sfida particolare nella produzione di alimenti fermentati o idrolizzati proteici. Allo stesso tempo, possono possedere proprietà fisiologiche e contribuire, ad esempio, alla regolazione della fame e del senso di sazietà. Un gruppo di ricerca guidato dall’Istituto Leibniz per la Biologia dei Sistemi Alimentari presso l’Università Tecnica di Monaco di Baviera ha ora sviluppato e testato con successo un metodo basato sull’intelligenza artificiale che consente di prevedere l’amarezza dei peptidi.

«Per rendere le fonti proteiche vegetali più appetibili per la produzione alimentare e utilizzarle in modo più sostenibile, dobbiamo comprendere meglio quali peptidi hanno un sapore amaro e quali caratteristiche strutturali li contraddistinguono. Anche in questo caso, i metodi basati sull’intelligenza artificiale possono dare un contributo importante», afferma Antonella Di Pizio, responsabile dello studio attuale, al quale hanno partecipato anche ricercatori dell’Università Tecnica di Monaco di Baviera e dell’Università Pompeu Fabra di Barcellona.

Combinazione di un modello linguistico e di una rete neurale artificiale

Per sviluppare un metodo di questo tipo basato sull’intelligenza artificiale, il team guidato da Antonella Di Pizio ha combinato un modello linguistico proteico, che il team aveva precedentemente addestrato utilizzando circa 500 peptidi noti dal sapore amaro, con il modello predittivo «BitterPep-GCN» da loro recentemente sviluppato. Si tratta di una cosiddetta Graph Convolutional Network (GCN), una forma speciale di reti neurali artificiali utilizzata per l’analisi di dati strutturati.

Su questa base, i ricercatori hanno innanzitutto generato 161 nuove sequenze peptidiche che non erano ancora state caratterizzate sperimentalmente. Successivamente hanno identificato quei candidati per i quali, secondo le previsioni del modello, vi era un’elevata probabilità che avessero un sapore amaro o non amaro.

Le previsioni sono state in gran parte confermate

Hanno fatto sintetizzare i peptidi più promettenti e li hanno poi sottoposti alla degustazione di un panel di assaggiatori qualificati. Nella maggior parte dei casi, le previsioni dell’IA si sono rivelate corrette: dei 31 peptidi testati, i partecipanti hanno classificato correttamente 25 come amari o non amari. Inoltre, il team di ricerca ha identificato numerosi peptidi finora sconosciuti, dal sapore amaro e non amaro.

«I nostri risultati dimostrano che non solo è possibile prevedere l’amarezza dei peptidi, ma che il nostro nuovo metodo basato sull’intelligenza artificiale può essere utilizzato anche per progettare in modo mirato nuovi peptidi dal sapore amaro», afferma Alexandra Steuer, prima autrice dello studio e dottoranda nel gruppo di ricerca «Molecular Modeling» di Antonella Di Pizio. «Questo ci avvicina notevolmente all’obiettivo di controllare in modo proattivo le proprietà gustative», aggiunge la responsabile dello studio Antonella Di Pizio.

La ricercatrice sottolinea che i risultati della ricerca sono già pronti per essere applicati in contesti pratici : «A lungo termine, queste nuove scoperte potrebbero contribuire a controllare in modo mirato la formazione di peptidi dal sapore amaro nella produzione alimentare. Ciò sarebbe particolarmente rilevante per gli alimenti a base vegetale ricchi di proteine, la cui accettazione risente spesso di note gustative indesiderate.»

Informazioni di base:
Le informazioni sui peptidi amari utilizzati per l'allenamento provengono dalla banca dati Bitter Peptide Space (BPS)-1000.
La pubblicazione «Srivastava P et al. Bitter peptide prediction using graph neural networks. J Cheminform (2024)  presenta il BitterPep-GCN, una rete di convoluzione su grafi indipendente dalle caratteristiche per la previsione dei peptidi amari.

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