Insegnare a un computer a prevedere l’amaro

L’amaro è uno dei cinque gusti fondamentali, e forse il più protettivo. È un segnale d’allarme: molti cibi avariati o velenosi sono amari, e ritrarsi è una difesa. Lo stesso riflesso però crea problemi altrove. Molti farmaci sono amari, e questo rende più difficile seguire una terapia; e alcuni cibi sani restano nel piatto per la stessa ragione.

Una famiglia di 25 sensori

Percepiamo l’amaro grazie a una famiglia di 25 recettori, i TAS2R, proteine immerse nella membrana delle cellule del gusto. Non si trovano solo in bocca: sono presenti anche in molti altri tessuti, dove sembrano avere altri compiti, per esempio nella regolazione dell’infiammazione e nelle difese immunitarie delle vie respiratorie.

Questi recettori non si dividono il lavoro in modo uniforme. Alcuni sono generalisti e rispondono a molte molecole, anche molto diverse; altri reagiscono solo a una manciata. Anche i composti amari sono vari: alcaloidi, polifenoli, peptidi, sali. Capire quale recettore risponde a quale molecola significa provare le coppie una a una in laboratorio, con tempi e costi elevati. Per questo i dati disponibili sono pochi, e buona parte di ciò che si sa è raccolto in un’unica banca dati, BitterDB.

Un modello che mostra il suo ragionamento

Abbiamo raccolto tutte le coppie verificate in vitro che abbiamo trovato: più di 300 molecole amare e quasi 4000 coppie molecola–recettore, per 22 dei 25 recettori umani (per gli altri tre non si conosce alcuna molecola che li attivi). Ogni coppia era etichettata come «si lega» o «non si lega», e su questi dati abbiamo addestrato due tipi di modello.

Il primo è un modello di machine learning classico, basato su alberi decisionali, che descrive ogni molecola con un breve elenco di proprietà chimiche calcolate. Il secondo è una rete neurale a grafo, che legge la molecola direttamente come una rete di atomi e legami. Su dati mai visti prima, il modello ad alberi ha raggiunto un’area sotto la curva ROC di 0,92 e la rete di 0,88, su una scala in cui 1 è la previsione perfetta e 0,5 equivale a tirare a indovinare.

Una previsione serve a poco se nessuno vede da dove viene, quindi entrambi i modelli sono stati pensati per essere spiegabili. Il modello ad alberi indica quali caratteristiche hanno pesato di più. Un risultato è quasi rassicurante: conta molto quale recettore è coinvolto, perché i due più promiscui, TAS2R14 e TAS2R46, legano così tante molecole che l’accoppiamento con loro spinge la risposta verso il «sì».

La rete a grafo offre una spiegazione più visiva. Per la stricnina, alcaloide noto per la sua amarezza, abbinata a TAS2R46 (il recettore disegnato nella pagina sui recettori del gusto di questo sito), ha messo in evidenza la zona attorno a un atomo di azoto come quella che spinge verso il «si lega». Le strutture sperimentali avevano mostrato che proprio quell’azoto forma un legame a idrogeno dentro il recettore. Il modello non aveva alcuna informazione sulla struttura del recettore. Quando abbiamo tolto due atomi di carbonio vicini, la probabilità prevista è scesa.

Perché conta

I modelli non sono perfetti. Nei dati le coppie «no» sono circa cinque volte più numerose delle coppie «sì», quindi le previsioni positive sono meno precise. Gli strumenti indicano anche quanto una nuova molecola somigli a quelle su cui hanno imparato, per capire quanto fidarsi della risposta. Possono però aiutare a scegliere quali esperimenti vale la pena fare, e indicare le parti di una molecola che un chimico potrebbe modificare: per rendere farmaci e cibi amari più accettabili, o per progettare molecole rivolte a un recettore in particolare.

Questo lavoro nasce dal progetto europeo VIRTUOUS, insieme a due studi collegati: uno che mostra come TAS2R46 si muova in modo più coordinato quando lega la stricnina, e uno che ha cercato nelle banche dati di proteine tasche simili al suo sito di legame, trovando 145 altre proteine con siti simili.

Leggi l’articolo: Ferri, Cannariato, Pallante, Zizzi, Miceli, Deriu, Journal of Molecular Graphics and Modelling 142, 109187 (2026). doi:10.1016/j.jmgm.2025.109187

Vedi anche: Cannariato et al., Frontiers in Molecular Biosciences 11, 1473675 (2024). doi:10.3389/fmolb.2024.1473675

Vedi anche: Pallante et al., Scientific Reports 14, 6296 (2024). doi:10.1038/s41598-024-56893-7