Investigación sobre el sabor La IA permite el diseño de novo de péptidos amargos

En la elaboración de productos fermentados como el kéfir, el parmesano o el queso de montaña, pero también en la producción de proteínas en polvo, pueden formarse péptidos de sabor amargo que afectan al sabor y, por lo tanto, a la aceptación de los productos. Un equipo de investigación ha desarrollado ahora un método basado en la inteligencia artificial que permite predecir el amargor de los péptidos y rediseñarlos desde cero. 

Los péptidos de sabor amargo se forman durante la degradación enzimática o química de las proteínas y suponen un reto especial en la elaboración de alimentos fermentados o hidrolizados proteicos. Al mismo tiempo, pueden tener propiedades fisiológicas y contribuir, por ejemplo, a la regulación del hambre y la saciedad. Un equipo de investigación dirigido por el Instituto Leibniz de Biología de Sistemas Alimentarios de la Universidad Técnica de Múnich ha desarrollado y probado con éxito un método basado en la inteligencia artificial que permite predecir el amargor de los péptidos.

«Para que las fuentes de proteínas vegetales resulten más atractivas para la producción alimentaria y se utilicen de forma más sostenible, debemos comprender mejor qué péptidos tienen un sabor amargo y qué características estructurales los caracterizan. También en este ámbito, los métodos basados en la inteligencia artificial pueden aportar una contribución importante», afirma Antonella Di Pizio, directora del estudio actual, en el que también han participado investigadores de la Universidad Técnica de Múnich y de la Universidad Pompeu Fabra de Barcelona.

Combinación de un modelo de lenguaje y una red neuronal artificial

Para desarrollar este método basado en la inteligencia artificial, el equipo dirigido por Antonella Di Pizio combinó un modelo de lenguaje proteico, que el equipo había entrenado previamente con unos 500 péptidos conocidos de sabor amargo, con el modelo de predicción «BitterPep-GCN», desarrollado recientemente por ellos mismos. Se trata de una denominada red convolucional de grafos (GCN), un tipo específico de red neuronal artificial que se utiliza para analizar datos estructurados.

Partiendo de esta base, los investigadores generaron en primer lugar 161 nuevas secuencias peptídicas que aún no se habían caracterizado experimentalmente. A continuación, identificaron aquellos candidatos que, según las predicciones del modelo, tenían una alta probabilidad de tener un sabor amargo o no amargo.

Las previsiones se han confirmado en gran medida

Hicieron sintetizar los péptidos más prometedores y, a continuación, los sometieron a la cata de un panel de catadores cualificados. En la mayoría de los casos, se confirmaron las predicciones de la IA: de los 31 péptidos analizados, los participantes clasificaron correctamente 25 como amargos o no amargos. Además, el equipo de investigación identificó numerosos péptidos hasta ahora desconocidos, tanto de sabor amargo como no amargo.

«Nuestros resultados muestran que no solo es posible predecir el amargor de los péptidos, sino que nuestro nuevo método basado en la inteligencia artificial también puede utilizarse para diseñar de forma específica nuevos péptidos de sabor amargo», afirma Alexandra Steuer, autora principal del estudio y estudiante de doctorado en el grupo de investigación de Modelización Molecular de Antonella Di Pizio. «Esto nos acerca considerablemente al objetivo de controlar de forma proactiva las propiedades gustativas», añade la directora del estudio, Antonella Di Pizio.

La investigadora destaca que los resultados de la investigación ya están listos para su aplicación en entornos prácticos : «A largo plazo, estos nuevos hallazgos podrían contribuir a controlar de forma selectiva la formación de péptidos de sabor amargo en la producción de alimentos. Esto sería especialmente relevante para los alimentos de origen vegetal ricos en proteínas, cuya aceptación suele verse afectada por notas de sabor indeseadas».

Información de referencia:
La información sobre los péptidos amargos utilizados en el entrenamiento procede de la base de datos Bitter Peptide Space (BPS)-1000.
La publicación «Srivastava P et al. Predicción de péptidos amargos mediante redes neuronales de grafos. J Cheminform (2024)  presenta el BitterPep-GCN, una red de convolución de grafos independiente de características para la predicción de péptidos amargos.

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