Gli Fbp sono frammenti proteici specifici, generalmente costituiti da 2–20 amminoacidi, rilasciati durante la digestione gastrointestinale o i processi di trasformazione alimentare. Rispetto alle proteine integre, presentano caratteristiche funzionali superiori: basso peso molecolare, elevata bioattività e una tossicità intrinseca generalmente minima. Tuttavia, l’enorme vastità dello spazio combinatorio amminoacidico, in cui anche brevi sequenze possono generare milioni di varianti potenziali, rende i metodi di screening tradizionali poco efficienti e scarsamente sostenibili. In questo contesto, l’applicazione di approcci di machine learning e deep learning consente di prevedere con elevata accuratezza proprietà biologiche quali attività antiossidante, antipertensiva e antimicrobica, accelerando lo sviluppo di strategie di nutrizione personalizzata e di alimenti funzionali di nuova generazione.
Un ambito in cui l’IA ha già dimostrato risultati particolarmente solidi è la previsione dell’attività di inibizione dell’enzima di conversione dell’angiotensina (Ace). I modelli predittivi mostrano valori di accuratezza (Auroc) compresi tra 0,85 e 0,95, con peptidi selezionati in silico successivamente confermati mediante saggi in vitro. Questo approccio ha portato all’identificazione di peptidi bioattivi all’interno di proteine del latte, del pesce e della soia, dimostrando l’efficacia della transizione dalla previsione computazionale alla validazione biologica. Analogamente, l’integrazione dell’IA nei modelli di screening ha consentito di prevedere la capacità di alcuni peptidi di neutralizzare i radicali liberi, contribuendo alla riduzione dello stress ossidativo e del rischio di patologie croniche. In particolare, sistemi basati su machine learning hanno accelerato la scoperta di peptidi antiossidanti derivati da soia, riso e fonti marine, con una drastica riduzione dei costi e dei tempi di ricerca rispetto agli approcci convenzionali.
Un ulteriore ambito di crescente interesse riguarda i peptidi antimicrobici (Antimicrobial peptides, Amp), la cui identificazione assistita dall’IA rappresenta una promettente alternativa agli antibiotici tradizionali nella lotta alla resistenza batterica. Questi peptidi agiscono prevalentemente attraverso la destabilizzazione selettiva delle membrane batteriche; l’IA consente di prevedere quali sequenze amminoacidiche siano in grado di esercitare questa attività di targeting mantenendo al contempo un profilo di sicurezza favorevole per le cellule umane. Numerosi Amp di origine alimentare sono stati individuati in uova, latticini e legumi, aprendo nuove prospettive per applicazioni nutraceutiche e funzionali.
L’integrazione dei modelli di IA con le tecnologie omiche, in particolare nutrigenomica, metabolomica e microbiomica, permette un passaggio cruciale da raccomandazioni dietetiche generalizzate a strategie nutrizionali realmente personalizzate. L’IA analizza le interazioni tra peptidi bioattivi e genoma umano, valutandone l’impatto sull’espressione genica e sulle principali vie metaboliche. L’approccio multi-omico consente inoltre di tracciare il destino metabolico dei peptidi: la microbiomica chiarisce come il microbiota intestinale li trasformi in metaboliti bioattivi, quali acidi grassi a catena corta e poliammine, mentre la nutrigenomica analizza come queste molecole contribuiscano alla modulazione dell’espressione genica. L’integrazione di tali dati tramite Ia rende possibile la formulazione di raccomandazioni nutrizionali basate sul profilo individuale, ottimizzando stabilità digestiva e biodisponibilità sistemica.
L’utilità dell’IA si estende anche all’ambito produttivo. Invece di procedere per tentativi ed errori, l’industria alimentare può oggi impiegare l’IA come un vero e proprio toolkit per la selezione razionale degli ingredienti e l’ottimizzazione dei processi tecnologici, con l’obiettivo di massimizzare il rilascio di peptidi funzionali a supporto, ad esempio, della salute cardiovascolare o dell’integrità della barriera intestinale.
Dal punto di vista dell’efficienza temporale, i vantaggi sono evidenti: mentre i metodi computazionali tradizionali richiedono tempi di elaborazione prolungati, un modello di Ia opportunamente addestrato è in grado di prevedere le interazioni peptide-bersaglio in pochi millisecondi, consentendo lo screening su larga scala di interi database proteici. Restano tuttavia aperte alcune sfide rilevanti, in particolare la qualità e la standardizzazione dei dati di input, la trasparenza e interpretabilità degli algoritmi e la tutela della privacy nelle applicazioni cliniche.
Silvia Ambrogio
Bibliografia
- Can artificial intelligence uncover the bioactive peptides’ benefits for human health and knowledge? A narrative review. Front Nutr. 2025 Dec 15;12:1698147
- Artificial intelligence in food bioactive peptides screening: Recent advances and future prospects. Trends in Food Science & Technology. Volume 156, February 2025, 104845