Si può cercare un nuovo dolcificante analizzando decine di milioni di molecole prima ancora di sintetizzarle? Secondo uno studio dell’Università Ebraica di Gerusalemme, un metodo computazionale ha selezionato 92 candidati da una raccolta di oltre 50 milioni di composti.
Indice Articolo
Il risultato, presentato come ricerca pubblicata nel 2026 sulla rivista Food Chemistry, non significa che siano già disponibili nuovi sostituti dello zucchero. Indica piuttosto un possibile modo per restringere il campo: l’intelligenza artificiale può suggerire quali strutture chimiche meritano di essere prodotte e sottoposte a test sperimentali.
Perché trovare un dolcificante è difficile
La dolcezza non dipende soltanto dalla formula di una molecola. Conta il modo in cui la sua struttura interagisce con i recettori del gusto dolce presenti sulla lingua, soprattutto quelli appartenenti alla famiglia T1R2/T1R3. Piccole variazioni nella disposizione degli atomi possono cambiare molto l’intensità percepita, la durata del gusto e la presenza di retrogusti.
Un composto adatto agli alimenti deve inoltre soddisfare molti requisiti contemporaneamente. Dovrebbe essere sufficientemente solubile, stabile durante la conservazione e compatibile con cottura, acidità e altri ingredienti. Non dovrebbe produrre metaboliti problematici né accumularsi nell’organismo. Anche il costo di produzione, la disponibilità delle materie prime e l’impatto ambientale possono determinare il successo commerciale.
Questi vincoli spiegano perché una molecola che appare promettente in un modello informatico può poi fallire in laboratorio o negli studi di sicurezza.
Che cosa fa il modello computazionale
Un sistema di questo tipo non “assaggia” le molecole e non inventa automaticamente un prodotto finito. Analizza caratteristiche già calcolate o derivate dalla struttura chimica, come forma tridimensionale, distribuzione delle cariche, gruppi funzionali e possibile interazione con il recettore.
Il modello può essere addestrato utilizzando composti per i quali esistono dati sperimentali sulla dolcezza. In seguito confronta migliaia o milioni di molecole non ancora valutate, assegna loro una probabilità o un punteggio e propone una lista più gestibile per i ricercatori.
La selezione di 92 candidati da una biblioteca di oltre 50 milioni di composti rappresenta quindi un passaggio di filtraggio, non una certificazione. Il valore principale è ridurre il numero di esperimenti iniziali e concentrare risorse su strutture che, almeno sulla carta, possiedono caratteristiche interessanti.
Dalla previsione al test sul gusto
Il percorso reale richiede diverse fasi. Prima occorre verificare che la molecola possa essere sintetizzata e purificata. Poi si possono eseguire saggi biochimici sui recettori del gusto, test cellulari e valutazioni sensoriali controllate. La percezione umana, infatti, non coincide sempre con la risposta di un singolo recettore: concentrazione, temperatura, matrice alimentare e interazioni con altri ingredienti modificano il risultato.
Un candidato può inoltre essere dolce ma poco utile in una bevanda o in un prodotto da forno. La stabilità al calore, la compatibilità con aromi e acidificanti e la velocità con cui il gusto compare e scompare sono proprietà pratiche decisive.
Solo dopo queste verifiche si passa agli studi tossicologici, farmacocinetici e metabolici richiesti dalle autorità. La valutazione regolatoria deve considerare anche l’esposizione prevista nella popolazione, le fasce vulnerabili e gli eventuali prodotti di degradazione.
Non tutti i dolcificanti risolvono gli stessi problemi
Ridurre lo zucchero aggiunto può contribuire a diminuire l’apporto energetico di alcuni alimenti, ma sostituire il saccarosio non elimina automaticamente ogni problema nutrizionale. Molti prodotti dolcificati possono rimanere poveri di fibre o ricchi di grassi e sale. Inoltre, la risposta metabolica e la tollerabilità possono variare tra le persone.
Anche la sostenibilità va valutata lungo tutto il ciclo di vita. Una molecola efficace a dosi molto basse potrebbe richiedere poca materia prima, ma la sintesi potrebbe essere complessa o dipendere da solventi e reagenti problematici. Al contrario, un composto di origine naturale non è per definizione più sicuro o più ecologico: servono dati comparabili su produzione, trasporto, uso e smaltimento.
Per capire questi aspetti è utile confrontare l’innovazione nei dolcificanti con altri ambiti in cui l’intelligenza artificiale accelera la selezione di molecole, come la progettazione di enzimi progettati con l’intelligenza artificiale. In entrambi i casi, la previsione orienta gli esperimenti, ma non li sostituisce.
Il limite più importante: i dati disponibili
Un algoritmo impara dai dati che riceve. Se gli esempi sperimentali riguardano soprattutto alcune famiglie chimiche, il sistema potrebbe riconoscere bene molecole simili a quelle già studiate e valutare peggio strutture molto diverse. Possono inoltre esistere errori nelle banche dati, misure ottenute con metodi differenti o informazioni incomplete sulla concentrazione utilizzata.
Per questo è essenziale validare i candidati con molecole mai mostrate al modello e pubblicare criteri, incertezze e risultati negativi. La trasparenza permette ad altri gruppi di ripetere l’analisi e verificare se le previsioni funzionano davvero fuori dal campione di addestramento.
Le banche dati e le valutazioni sulla sicurezza alimentare devono inoltre essere interpretate secondo le competenze delle autorità. Informazioni generali su additivi, esposizione e valutazione del rischio sono disponibili presso l’Autorità europea per la sicurezza alimentare e il portale statunitense per la sicurezza degli alimenti.
Che cosa potrebbe cambiare per i consumatori
Se i 92 candidati superassero i test successivi, la ricerca potrebbe ottenere nuove opzioni con profili sensoriali o tecnologici diversi da quelli già disponibili. Potrebbero emergere molecole più adatte a specifiche bevande, prodotti da forno o alimenti a ridotto contenuto di zuccheri.
Per ora, però, il dato più solido riguarda il metodo: setacciare enormi collezioni chimiche con strumenti computazionali può rendere più rapida la fase esplorativa. La promessa di un dolcificante migliore diventerà una novità alimentare soltanto dopo sintesi, test sensoriali, studi di sicurezza, valutazioni ambientali e autorizzazione regolatoria.
