KI sagt Bitterkeit voraus: Was das für Pflanzenprotein bedeuten könnte

Kurz gesagt: Forschende vom Leibniz-Institut für Lebensmittel-Systembiologie an der Technischen Universität München haben eine KI-Pipeline entwickelt, die kurze Eiweißbausteine als bitter oder nicht bitter vorhersagen und neue Sequenzen entwerfen kann. Ein geschultes Sensorikpanel bestätigte 25 von 31 geprüften Vorhersagen. Das ist ein nützliches Werkzeug für die Geschmacksforschung, aber noch kein Verfahren, das Bitterkeit in Pflanzenprotein-Produkten automatisch beseitigt.

Warum Eiweißprodukte bitter werden können

Proteine bestehen aus Ketten von Aminosäuren. Werden diese Ketten bei Fermentation, Reifung oder enzymatischer Verarbeitung aufgespalten, entstehen kürzere Stücke, sogenannte Peptide. Einige davon aktivieren Bitterrezeptoren. Das kann bei gereiftem Käse, Kefir, Proteinhydrolysaten und pflanzlichen Proteinpulvern erwünscht, unauffällig oder störend sein.

Das Problem ist komplex: Nicht allein eine einzelne Aminosäure entscheidet über den Geschmack. Reihenfolge, Länge, räumliche Eigenschaften und Konzentration spielen zusammen. Schon kleine Änderungen können aus einer bitteren eine kaum bittere Sequenz machen. Hersteller testen deshalb häufig viele Prozessvarianten und Rezepturen, bevor ein Produkt sensorisch ausgewogen ist.

Zwei KI-Bausteine arbeiten zusammen

Das Team kombinierte ein Protein-Sprachmodell mit BitterPep-GCN, einem graphbasierten neuronalen Netz. Das Sprachmodell erzeugte neue Peptidsequenzen, während BitterPep-GCN sie nach der Wahrscheinlichkeit für bitteren oder nicht bitteren Geschmack sortierte. Grundlage waren experimentell geprüfte Daten aus der offenen BPS-1000-Datenbank.

Diese Datenbank umfasst 570 als bitter und 423 als nicht bitter beschriebene Peptide; bei verfügbaren Informationen sind auch Geschmacksschwellen und aktivierte Bitterrezeptoren hinterlegt. Für das generative Modell wurde ein kuratierter Teil verwendet. Das ist wichtig, weil ältere Veröffentlichungen bei einzelnen Peptiden widersprüchliche Geschmacksangaben enthalten können.

Das Modell erzeugte 161 neue Sequenzen. Für den Labortest wählten die Forschenden besonders aussichtsreiche Kandidaten aus, ließen sie synthetisieren und prüften Reinheit sowie Identität. Erst danach verkostete ein geschultes Panel die Lösungen in festgelegten Konzentrationen.

Was die 25 von 31 Treffern aussagen

Von 31 getesteten Peptiden wurden 15 vorhergesagte bittere und zehn vorhergesagte nicht bittere Sequenzen entsprechend bestätigt. Vier weitere Ergebnisse waren nach den vorher festgelegten Panelgrenzen nicht eindeutig. Über die gesamte Testauswahl erreichte das Verfahren damit rund 80 Prozent korrekte Klassifikationen.

Das ist eine experimentelle Validierung, aber keine allgemeine Genauigkeitsgarantie für jedes Lebensmittel. Die 31 Proben waren gezielt aus einer viel größeren Modellmenge ausgewählt. Außerdem wurden reine Peptidlösungen bewertet. In einem fertigen Produkt beeinflussen Fett, Süße, Säure, Salz, Röstaromen, Textur und weitere Inhaltsstoffe die Wahrnehmung.

Die Studie zeigt vor allem, dass sich der Suchraum verkleinern lässt. Statt tausende mögliche Sequenzen wahllos zu synthetisieren und zu verkosten, können Labore Kandidaten gezielter auswählen. Das spart potenziell Zeit und Material in einer frühen Forschungsphase.

Wie daraus mildere Produkte entstehen könnten

Langfristig könnten die Vorhersagen helfen, Prozessschritte zu prüfen: Welche Enzyme spalten ein Protein an welchen Stellen? Welche Fermentationsbedingungen fördern bestimmte Peptide? Welche Rohstofffraktion bringt besonders viele bittere Sequenzen mit? Solche Fragen betreffen sowohl pflanzliche Proteine als auch Milch- und Fermentationsprodukte.

Ein mögliches Ziel wäre, Herstellungsbedingungen so zu wählen, dass weniger problematische Peptide entstehen. Eine andere Möglichkeit ist, besonders bittere Fraktionen früh zu erkennen und Rezepturen gezielt auszugleichen. Das bedeutet jedoch nicht automatisch „Clean Label“. Ob weniger Aromen, Süßungsmittel oder andere geschmacksgebende Zutaten nötig sind, muss für jedes Produkt separat getestet werden.

Was Verbraucher heute davon haben

Die Forschung verändert noch keine Zutatenliste im Supermarkt. Wer pflanzliche Proteinprodukte vergleicht, kann weiterhin auf eine kurze, verständliche Zutatenliste achten, sollte daraus aber keine pauschale Qualitätswertung ableiten. Verarbeitung ist nicht automatisch schlecht, und ein natürlicher Rohstoff schmeckt nicht automatisch mild.

In der eigenen Küche lassen sich Bitterkeit und kräftige Pflanzennoten oft mit Rösten, Säure, Salz, Süße und Fett ausbalancieren. Bei Hülsenfrüchten ist außerdem die richtige Vorbereitung entscheidend. Ideen findest du unter Hülsenfrüchte und bei schnellen Abendessen. Ein Forschungsergebnis zu synthetisierten Peptiden ist allerdings keine Begründung, einzelne Lebensmittel zu meiden.

Grenzen der Studie

• Kleine Validierungsgruppe: Geprüft wurden 31 ausgewählte Peptide, nicht alle 161 erzeugten Sequenzen und nicht der gesamte mögliche Peptidraum.
• Vereinfachte Testmatrix: Reine Lösungen bilden die Wechselwirkungen eines komplexen Lebensmittels nur begrenzt ab.
• Geschultes Panel: Die Ergebnisse beschreiben kontrollierte Sensorik, keine repräsentative Verbraucherbefragung.
• Keine Gesundheitsbewertung: Bitterkeit sagt weder automatisch etwas über Schädlichkeit noch über einen gesundheitlichen Vorteil aus.
• Kein fertiges Produktionsrezept: Das Modell identifiziert Kandidaten; sichere und wirtschaftliche Prozesse müssen separat entwickelt werden.

Warum das Thema trotzdem relevant ist

Geschmack ist eine zentrale Hürde für neue Proteinquellen. Wenn ein Modell zuverlässiger erkennt, welche kleinen Eiweißstücke störend bitter schmecken, kann es die aufwendige Suche im Labor besser priorisieren. Besonders wertvoll ist, dass die Vorhersagen nicht nur rechnerisch bewertet, sondern mit gereinigten Proben und menschlicher Sensorik überprüft wurden.

Ebenso wichtig ist die offene Datenbasis. Die BPS-1000-Datenbank und die veröffentlichten Arbeitsabläufe ermöglichen anderen Gruppen, Ergebnisse nachzuvollziehen und Modelle mit weiteren Peptiden zu testen. Erst solche unabhängigen Prüfungen zeigen, wie robust das Verfahren über verschiedene Rohstoffe und Anwendungen hinweg ist.

Fazit: Guter Filter, noch kein Geschmacks-Schalter

Die KI-Pipeline hat in einer gezielt ausgewählten Testreihe einen großen Teil bitterer und nicht bitterer Peptide korrekt unterschieden. Damit rückt eine systematischere Geschmacksentwicklung für fermentierte und proteinreiche Lebensmittel näher.

Von einem milden Pflanzenprotein auf Knopfdruck ist die Forschung dennoch entfernt. Rezeptur, Herstellungsprozess, Konzentration und Lebensmittelmatrix bleiben entscheidend. Das Modell ist vorerst ein Forschungsfilter, der Experimente besser auswählt – kein Ersatz für Sensorik, Prozessentwicklung oder Verbraucherprüfungen.

Quellen und Stand

• Leibniz-LSB@TUM: AI as a Tool in Flavor Research: De Novo Design of Bitter Peptides, veröffentlicht am 22. September 2026.
• Steuer et al.: De novo design and experimental characterization of bitter peptides, npj Science of Food, veröffentlicht am 25. Juni 2026.
• Leibniz-LSB@TUM: Bitter Peptide Space BPS-1000, offene Datenbank experimentell geprüfter Peptide.
• PubMed: Bibliografischer Eintrag, Abstract und Förderangaben zur Primärstudie.
• DiPizio Lab: Veröffentlichte Datensätze und Modell-Workflows.

Autor: Kochzauber Redaktion. Informations- und Aktualisierungsstand: 23. September 2026. Der Beitrag ordnet ein Forschungswerkzeug ein und enthält keine Gesundheits- oder Produktversprechen. Das Titelbild ist ein redaktionelles Symbolbild.