KI findet 787 pflanzliche Emulgatoren: Was Erbse und Kartoffel leisten könnten

Kurz gesagt: Forschende der Universitäten Leeds und Edinburgh haben ein computergestütztes Verfahren entwickelt, das Pflanzenproteine nach ihrer möglichen Eignung als Emulgatoren vorsortiert. 787 Proteine zeigten im Modell eine besonders passende Struktur. Im Labor stützten Versuche mit Erbsen- und Kartoffelprotein die Vorhersage. Die Studie liefert damit vor allem eine schnellere Suchmethode für neue Zutaten – nicht 787 bereits zugelassene oder marktreife Emulgatoren.

Warum Emulgatoren für Lebensmittel wichtig sind

Öl und Wasser trennen sich normalerweise. Emulgatoren lagern sich an der Grenzfläche beider Phasen an und helfen, eine Mischung stabil zu halten. Das ist zum Beispiel bei Mayonnaise, cremigen Saucen, Eis oder pflanzlichen Drinks wichtig. In vielen Rezepten übernimmt Eigelb diese Aufgabe; in industriell hergestellten Lebensmitteln kommen je nach Produkt weitere Zutaten und Zusatzstoffe infrage.

Pflanzenproteine sind dabei interessant, weil ein Protein nicht nur Nährstoff sein kann, sondern auch eine technologische Funktion erfüllt. Für Produkte auf Pflanzenbasis könnten geeignete Proteine also zugleich Struktur geben und Öl-Wasser-Mischungen stabilisieren. Wer die Grundlagen praktisch ausprobieren möchte, findet bei Kochzauber passende Ideen mit Hülsenfrüchten und Kartoffeln.

So wurden aus Millionen Sequenzen 787 Kandidaten

Die am 3. September 2026 im Fachjournal Communications Chemistry veröffentlichte Arbeit kombiniert statistische Physik mit maschinellem Lernen. Ausgangspunkt war eine sehr große Proteindatenbank. Über mehrere Filter wählte das Team 1.950 experimentell überprüfte pflanzliche Proteinsequenzen für Berechnungen aus; für 1.858 davon konvergierte das Simulationsmodell.

Gesucht wurde eine sogenannte diblockartige Anordnung. Vereinfacht gesagt besitzt ein solches Protein einen Bereich, der sich eher an eine fettähnliche Oberfläche anlagert, und einen anderen, der stärker in die wässrige Phase ragt. Genau diese Arbeitsteilung kann eine Emulsion stabilisieren. Zwei im Modell gefundene Gruppen umfassten zusammen 787 Proteine mit dieser Signatur.

Das maschinelle Lernen diente anschließend dazu, Merkmale der beiden Proteinbereiche zu unterscheiden und Kandidaten mit dem Milchprotein Beta-Casein als Referenz zu vergleichen. Laut Studie war dabei nicht allein die bloße Aminosäuresequenz entscheidend, sondern vor allem die simulierte Anordnung des Proteins an der Grenzfläche.

Erbse und Kartoffel bestanden einen ersten Labortest

Für die experimentelle Prüfung wählte das Team Proteine, die bereits in ausreichender Menge verfügbar waren: Legumin B aus Erbsen und Patatin, das Hauptprotein der Kartoffel. Beide konnten in den Versuchen Öl-in-Wasser-Emulsionen bilden; die gemessenen Tröpfchengrößen lagen in einem ähnlichen Bereich wie bei der Referenz Beta-Casein. Ein getestetes Sonnenblumenprotein ohne die gesuchte Struktur stabilisierte die Emulsion dagegen nicht vergleichbar.

Diese Ergebnisse sind ein wichtiger Machbarkeitsnachweis für die Auswahlmethode. Sie bedeuten aber nicht, dass Erbsen- oder Kartoffelprotein unter allen Bedingungen Casein gleichwertig ersetzt. Die Studie berichtet Unterschiede bei Abstoßungskräften und Tröpfchenverteilung. Vor allem wurden Legumin B und Patatin vor den Messungen mit Harnstoff und Dithiothreitol chemisch entfaltet. Das schafft passende Laborbedingungen für das Modell, ist aber keine übliche Lebensmittelrezeptur.

Was die Studie noch nicht beantwortet

• Keine 787 fertigen Zutaten: Die Zahl bezeichnet rechnerisch ausgewählte Kandidaten. Nur ein kleiner, verfügbarer Teil wurde experimentell geprüft.
• Keine Aussage zur Haltbarkeit im Supermarkt: Langzeitstabilität, Geschmack, Farbe, Verarbeitung, Kosten und Verhalten in echten Rezepturen müssen für jeden Kandidaten separat untersucht werden.
• Keine automatische Clean-Label-Garantie: Eine pflanzliche Herkunft sagt allein weder etwas über die Länge der Zutatenliste noch über den Verarbeitungsgrad des fertigen Produkts aus.
• Keine Gleichwertigkeit mit Casein unter allen Bedingungen: Die Tests stützen das Auswahlprinzip, zeigen aber zugleich messbare Unterschiede zur Milchprotein-Referenz.

Was Verbraucherinnen und Verbraucher davon haben

Kurzfristig ändert die Studie noch kein Zutatenverzeichnis. Ihr Nutzen liegt darin, dass Entwickler vielversprechende Proteine gezielter auswählen können, statt Millionen Möglichkeiten einzeln im Labor zu testen. Wenn daraus marktfähige Zutaten entstehen, könnten Hersteller pflanzlicher Saucen, Desserts oder Drinks künftig aus mehr funktionellen Proteinquellen wählen.

Beim Einkauf bleibt die Zutatenliste die verlässlichste Orientierung. Nach der EU-Lebensmittelinformationsverordnung werden Zusatzstoffe mit ihrer Funktionsklasse und ihrer speziellen Bezeichnung oder E-Nummer genannt, zum Beispiel „Emulgator: …“. Ein als Zutat eingesetztes Erbsen- oder Kartoffelprotein kann dagegen unter seinem konkreten Namen erscheinen. Deshalb sollte man nicht nur nach E-Nummern suchen, sondern die gesamte Zutatenliste und die beworbene Produkteigenschaft lesen.

Für die eigene Küche ist die neue Technik nicht nötig: Klassische Emulsionen gelingen weiterhin mit einer passenden Kombination aus Emulgator, langsam zugegebenem Öl und kräftigem Mischen. Wer pflanzlich kocht, kann etwa Senf, Hülsenfruchtpüree oder je nach Rezept Soja- beziehungsweise Erbsenbestandteile nutzen. Inspiration bieten unsere vegetarischen Abendessen und One-Pot-Gerichte.

Fazit: ein besserer Suchscheinwerfer, noch kein Supermarktprodukt

Die eigentliche Neuigkeit ist nicht ein einzelner Wunderstoff, sondern eine Methode: Physikalische Simulationen und maschinelles Lernen können die Suche nach funktionellen Pflanzenproteinen stark eingrenzen. Die 787 Kandidaten zeigen, wie groß der bisher wenig untersuchte Raum ist. Ob daraus bessere, günstigere oder verständlicher deklarierte Lebensmittel entstehen, entscheidet sich erst in weiteren Versuchen unter realen Produktionsbedingungen.

Quellen

• Sridharan et al.: Data-driven pipeline enables discovery of plant protein surfactants, Communications Chemistry, veröffentlicht am 3. September 2026.
• University of Leeds: AI identifies hundreds of promising plant proteins for sustainable food ingredients, Begleitmeldung zur Studie.
• Research Data Leeds: Datensatz zur Studie, Rohdaten der Haupt- und Ergänzungsabbildungen, CC BY 4.0.
• Verordnung (EU) Nr. 1169/2011, insbesondere Artikel 18 und Anhang VII Teil C zur Zutatenkennzeichnung.