IA encontra quase 800 proteínas vegetais e aponta ervilha e batata para novos alimentos sustentáveis

Por

6 de setembro de 2026

IA encontra quase 800 proteínas vegetais e aponta ervilha e batata para novos alimentos sustentáveis — Ilustração: Revista Amazônia

Método desenvolvido no Reino Unido pode encurtar a busca por ingredientes capazes de misturar água e óleo.

O próximo ingrediente capaz de manter uma maionese cremosa ou um molho estável pode estar escondido em uma proteína vegetal ainda pouco estudada. Uma equipe da Universidade de Leeds, no Reino Unido, usou inteligência artificial e física estatística para rastrear quase 800 proteínas de plantas com potencial para substituir emulsificantes de origem animal. Os primeiros testes apontaram que proteínas de ervilha e batata conseguem cumprir essa função.

A descoberta foi apresentada em 2 de setembro de 2026 por pesquisadores da School of Food Science and Nutrition, em Leeds. O estudo faz parte das pesquisas do NAPIC, centro voltado ao desenvolvimento de novas tecnologias e ingredientes para proteínas alternativas.

O ingrediente invisível que mantém óleo e água juntos

Emulsificantes são substâncias que ajudam a unir líquidos que normalmente se separam, como óleo e água. Eles também contribuem para que essa mistura permaneça estável durante o armazenamento e o consumo.

Na prática, esses ingredientes estão presentes em produtos comuns, como maionese, sorvetes e molhos. A mesma função aparece em cosméticos, medicamentos e aplicações industriais. Sem um emulsificante adequado, a textura, a aparência e a durabilidade de muitos desses produtos podem mudar.

Parte dos emulsificantes usados atualmente vem de proteínas do leite, especialmente caseínas e proteínas do soro. A busca por alternativas vegetais cresceu com a expansão dos alimentos sem ingredientes de origem animal e com a pressão para reduzir impactos ambientais associados à produção de alimentos.

Como a inteligência artificial reduziu milhões de possibilidades

O problema é a escala. Existem milhões de proteínas vegetais que poderiam apresentar propriedades úteis, mas verificar uma por uma em laboratório seria caro, lento e pouco eficiente. A equipe de Leeds criou um caminho para selecionar primeiro as candidatas mais promissoras.

O trabalho começou com um modelo de simulação baseado em física estatística. Essa etapa analisou como diferentes proteínas poderiam se comportar na fronteira entre óleo e água, justamente o ponto em que um emulsificante precisa atuar.

Depois, técnicas de aprendizado de máquina foram usadas para identificar partes específicas das proteínas e características associadas à capacidade de estabilizar a mistura. O sistema não fabricou um novo ingrediente nem substituiu os experimentos. Ele funcionou como um filtro para indicar quais moléculas mereciam ser examinadas com mais atenção.

Segundo a Universidade de Leeds, em 2 de setembro de 2026, o modelo identificou quase 800 proteínas vegetais potencialmente capazes de atuar como emulsificantes, incluindo muitas que ainda não haviam sido consideradas para essa finalidade.

Ervilha e batata deram o primeiro sinal verde

Para verificar se as previsões tinham correspondência no mundo real, os pesquisadores testaram algumas proteínas disponíveis comercialmente. Os resultados mais promissores apareceram nas proteínas de ervilha e batata, que demonstraram propriedades de emulsificação compatíveis com o comportamento previsto pelo modelo.

Esse resultado é importante porque mostra uma ponte entre a análise computacional e o laboratório. Ainda assim, ele não significa que todas as 800 proteínas estejam prontas para virar ingredientes comerciais. Cada candidata precisará passar por novas avaliações, que podem incluir desempenho em diferentes receitas, estabilidade, sabor, textura, segurança e viabilidade de produção.

O que muda para a indústria de alimentos

A principal vantagem do método está no começo da pesquisa. Em vez de testar uma longa lista de proteínas em uma sequência de tentativas, empresas e laboratórios podem concentrar recursos nas opções apontadas como mais promissoras.

Isso pode acelerar o desenvolvimento de alimentos vegetais e reduzir o tempo gasto na fase de triagem. Também abre espaço para investigar proteínas de fontes que ficaram fora do foco tradicional, desde que elas apresentem disponibilidade, composição adequada e possibilidade de processamento em escala.

A pesquisa reúne ciência de alimentos, química de proteínas, física estatística e inteligência artificial. Essa combinação é especialmente útil em um setor que precisa desenvolver ingredientes capazes de entregar não apenas valor nutricional, mas também características sensoriais e funcionais semelhantes às dos produtos convencionais.

Por que a descoberta interessa à Amazônia

Para a Amazônia, a conexão ainda é uma oportunidade de pesquisa, não um resultado já demonstrado para espécies regionais. Os achados de Leeds não testaram proteínas de plantas amazônicas e não permitem afirmar que qualquer fruto, semente ou raiz da região terá o mesmo desempenho.

Mesmo assim, a lógica do estudo pode ser relevante para os nove estados amazônicos. Um sistema capaz de selecionar rapidamente proteínas promissoras poderia, no futuro, ajudar universidades e empresas a avaliar matérias-primas regionais sem depender apenas de longas séries de testes aleatórios.

Essa possibilidade só faria sentido com estudos específicos sobre cada espécie, além de cadeias de produção responsáveis. No caso amazônico, seria necessário considerar disponibilidade sazonal, manejo, transporte, conservação, renda das comunidades e prevenção de pressão adicional sobre a floresta. A tecnologia pode acelerar a seleção, mas não resolve sozinha os desafios de cultivo, processamento e conservação.

O próximo passo ainda é o laboratório

O artigo que descreve o método foi publicado na revista Communications Chemistry com o título “Data-driven pipeline enables discovery of plant protein surfactants”. A pesquisa indica que a inteligência artificial pode orientar melhor a busca por ingredientes sustentáveis, mas a confirmação de cada aplicação depende de testes experimentais e de etapas posteriores de desenvolvimento.

Nos próximos trabalhos, a equipe deverá ampliar a investigação das proteínas indicadas pelo modelo e avaliar como elas se comportam em produtos reais, em diferentes condições de processamento e armazenamento. É essa sequência de validações que definirá quais candidatas poderão chegar à indústria.

Com informações de University of Leeds.

Mais Lidas da Semana