Recherche sur le goût L'IA permet la conception de novo de peptides amers

Lors de la fabrication de produits fermentés tels que le kéfir, le parmesan ou le fromage de montagne, mais aussi lors de la production de poudres protéinées, des peptides au goût amer peuvent se former, ce qui altère le goût et, par conséquent, l'acceptation de ces produits. Une équipe de chercheurs a désormais mis au point une méthode basée sur l'intelligence artificielle qui permet de prédire l'amertume des peptides et de concevoir de toutes pièces des peptides au goût amer. 

Les peptides au goût amer se forment lors de la dégradation enzymatique ou chimique des protéines et constituent un défi particulier dans la fabrication d'aliments fermentés ou d'hydrolysats de protéines. Parallèlement, ils peuvent posséder des propriétés physiologiques et contribuer, par exemple, à la régulation de la faim et de la satiété. Une équipe de recherche dirigée par l’Institut Leibniz de biologie des systèmes alimentaires de l’Université technique de Munich a désormais mis au point et testé avec succès une méthode basée sur l’intelligence artificielle permettant de prédire l’amertume des peptides.

« Pour rendre les sources de protéines végétales plus attractives pour la production alimentaire et les exploiter de manière plus durable, nous devons mieux comprendre quels peptides ont un goût amer et quelles sont leurs caractéristiques structurelles. Là encore, les méthodes basées sur l’IA peuvent apporter une contribution importante », explique Antonella Di Pizio, responsable de l’étude actuelle, à laquelle ont également participé des chercheurs de l’Université technique de Munich et de l’Université Pompeu Fabra de Barcelone.

Combinaison d'un modèle linguistique et d'un réseau neuronal artificiel

Afin de développer une telle méthode basée sur l'IA, l'équipe dirigée par Antonella Di Pizio a combiné un modèle linguistique protéique, qu’elle avait préalablement entraîné à l’aide d’environ 500 peptides connus au goût amer, avec le modèle de prédiction « BitterPep-GCN » qu’elle avait récemment développé. Il s’agit d’un réseau convolutif de graphes (GCN), une forme particulière de réseaux neuronaux artificiels utilisée pour l’analyse de données structurées.

Sur cette base, les chercheurs ont dans un premier temps généré 161 nouvelles séquences peptidiques qui n'avaient pas encore été caractérisées expérimentalement. Ils ont ensuite identifié les candidats pour lesquels les prédictions du modèle indiquaient une forte probabilité qu'ils aient un goût amer ou non.

Les prévisions se sont largement confirmées

Ils ont fait synthétiser les peptides les plus prometteurs, puis les ont fait déguster par un panel d'évaluateurs formés à l'analyse sensorielle. Dans la plupart des cas, les prédictions de l'IA se sont confirmées : sur les 31 peptides testés, les participants en ont correctement classé 25 comme amers ou non amers. De plus, l'équipe de recherche a identifié de nombreux peptides jusqu'alors inconnus, au goût amer ou non amer.

« Nos résultats montrent non seulement qu’il est possible de prédire l’amertume des peptides, mais aussi que notre nouvelle méthode basée sur l’IA peut être utilisée pour concevoir de manière ciblée de nouveaux peptides au goût amer », explique Alexandra Steuer, première autrice de l’étude et doctorante au sein du groupe de recherche « Molecular Modeling » dirigé par Antonella Di Pizio. « Cela nous rapproche considérablement de notre objectif : contrôler de manière proactive les propriétés gustatives », ajoute Antonella Di Pizio, responsable de l’étude.

La chercheuse souligne que les résultats de la recherche sont déjà prêts à être mis en œuvre dans des environnements d'application : « À long terme, ces nouvelles découvertes pourraient contribuer à contrôler de manière ciblée la formation de peptides au goût amer lors de la production alimentaire. Cela serait particulièrement pertinent pour les aliments à base végétale riches en protéines, dont l’acceptation souffre souvent de saveurs indésirables. »

Informations complémentaires :
Les informations relatives aux peptides amers utilisés pour l'entraînement proviennent de la base de données Bitter Peptide Space (BPS)-1000.
La publication « Srivastava P et al. Bitter peptide prediction using graph neural networks. J Cheminform (2024)  présente le BitterPep-GCN, un réseau de convolution sur graphes indépendant des caractéristiques destiné à la prédiction des peptides amers.

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