Ursprung und Anbaumethoden von Lithocarpus litseifolius mithilfe von Multi‑Datenfusion und Machine‑Learning‑Ansätzen zurückverfolgen

Warum eine neue Art von süßem Tee wichtig ist

Süßer Tee aus den Blättern von Lithocarpus litseifolius gewinnt in China rasch an Beliebtheit – sowohl als gesundheitsförderndes Getränk als auch als natürlicher, kalorienarmer Süßstoff. Seine Blätter enthalten starke Pflanzenstoffe, die hunderte Male süßer sind als Haushaltszucker, dabei aber nahezu keine Kalorien liefern; zudem können sie Leber schützen und die Blutzuckerregulation unterstützen. Mit der steigenden Nachfrage stellen sich jedoch Fragen: Woher genau stammen diese Blätter, wie werden sie angebaut und können Käufer darauf vertrauen, dass Etikett und Tasse übereinstimmen? Diese Studie geht diesen Fragen nach und erstellt mithilfe von Chemie und künstlicher Intelligenz einen wissenschaftlichen „Fingerabdruck“ für süßen Tee.

Die Geschichte hinter einem besonderen Baum

Lithocarpus litseifolius, oft als „süßer Tee“ bezeichnet, wird in Teilen Chinas seit Jahrhunderten als Getränk und traditionelles Heilmittel verwendet. Moderne Forschung zeigt, dass seine Blätter reich an Dihydrochalconen sind – natürliche Süßstoffe wie Phloridzin und Trilobatin, die etwa 300‑fach süßer als Zucker schmecken können, dabei aber nur einen winzigen Bruchteil der Kalorien beitragen. Diese Moleküle besitzen zudem antioxidative und potenziell antidiabetische Wirkungen, was zu klinischen Studien und einem Boom an Produkten von Tees bis zu Süßwaren geführt hat. Dieser Boom hat jedoch die Regulierung überholt: Bauern in mehreren Provinzen bauen süßen Tee unter unterschiedlichen Bedingungen an, Herkunftsangaben auf Etiketten sind nicht immer verlässlich, und die Qualitätskontrolle ist gering. Das Ergebnis ist eine fragmentierte Lieferkette, die es Verbrauchern und Herstellern schwer macht zu wissen, was sie tatsächlich bekommen.

Den chemischen Fingerabdruck des Ortes lesen

Um dieser Unordnung zu begegnen, sammelten die Forschenden 163 Blattproben aus sieben wichtigen Anbaugebieten in vier chinesischen Provinzen. Für jede Probe wurden drei breite Informationsarten gemessen. Erstens 22 funktionelle Verbindungen, darunter süß schmeckende Dihydrochalcone, organische Säuren und Nährstoffe, die Geschmack und Gesundheitswert prägen. Zweitens vier stabile Isotopenverhältnisse – feine Variationen in Elementformen wie Kohlenstoff, Stickstoff, Wasserstoff und Sauerstoff, die Klimaverhältnisse, Wasserquellen und landwirtschaftliche Praktiken über lange Zeiträume widerspiegeln. Drittens 49 verschiedene Elemente, von essentiellen Nährstoffen wie Kalium und Magnesium bis hin zu Spurenelementen und seltenen Erden, die mit örtlichen Gesteinen und Böden verknüpft sind. Zusammen ergeben diese Ebenen einen detaillierten chemischen „Pass“ für jede Charge von Blättern, den man nur schwer fälschen kann.

Wie Algorithmen lernen, die Herkunft zu erkennen

Für sich genommen konnte jeder Datentyp Regionen oder Anbaustile nur teilweise unterscheiden. Manche wilden und kultivierten Proben derselben Provinz wirkten beispielsweise sehr ähnlich, wenn die Forschenden nur geschmacksbezogene Verbindungen betrachteten. Um das zu überwinden, nutzte das Team Machine Learning und Datenfusion – Methoden, die es Computern erlauben, komplexe Muster zu erkennen, indem viele Hinweise gleichzeitig kombiniert werden. Sie testeten acht verschiedene Algorithmen und mehrere Arten der Datenfusion, vom einfachen Zusammenstapeln aller Messwerte bis hin zur Extraktion der informativsten Merkmale und dem anschließenden Kombinieren von Modellausgaben. Am Ende fanden sie heraus, dass bereits sechs Schlüsselvariablen – Koffein, ein Pflanzen‑Süßstoffderivat, die Elemente Rubidium, Cer, Strontium und das Stickstoff‑Isotopensignal – ausreichten, damit ein Ensemble von Modellen die Anbauregion jeder einzelnen Probe sowohl im Training als auch im Test korrekt identifizieren konnte.

Was Anbaubedingungen in die Blätter schreiben

Über die Rückverfolgung hinaus fragte die Studie auch, warum süßer Tee aus verschiedenen Regionen unterschiedlich aussieht und schmeckt. Durch den Vergleich der sechs Schlüsselmarker mit lokalem Klima und Geographie zeigten die Forschenden, dass Faktoren wie Höhe, Niederschlag, Sonnenschein und Temperatur die Pflanzenchemie stark prägen. So förderten kältere und trockenere Standorte die Anreicherung von Koffein und bestimmten süßen Verbindungen, wahrscheinlich als Teil der Stressantworten der Pflanze. Elementmuster wie Strontium und Cer spiegelten tiefere geologische Verhältnisse wider und zeigten, ob Pflanzen auf roten Böden aus Silikatgestein oder auf Karstlandschaften aus Karbonaten wuchsen. Veränderungen im Stickstoff‑Isotopensignal korrelierten mit der Häufigkeit der Düngung und geben Hinweise darauf, wie Anbaumethoden die natürliche Fähigkeit der Pflanze, wertvolle Süßstoffe zu bilden, fördern oder hemmen können.

Von verlässlichen Etiketten zu klügerer Landwirtschaft

Indem Pflanzenchemie, Boden‑ und Wasser‑Fingerprints, Klimadaten und Machine Learning verbunden werden, liefert diese Arbeit ein sehr zuverlässiges System zur Verifizierung von Herkunft und Anbaumethode süßen Tees. Für Verbraucher bedeutet das eine stärkere Garantie, dass ein Premium‑Etikett wirklich Herkunft und Qualität widerspiegelt und nicht nur clevere Verpackung. Für Erzeuger und Aufsichtsbehörden zeigen die Schlüsselmarker und Umweltbefunde Anbaustrategien auf, die wünschenswerte süße Verbindungen steigern können, während Schwermetalle niedrig bleiben und die Landwirtschaft nachhaltiger wird. Praktisch gesehen zeigt die Studie, dass eine Handvoll gut gewählter Messungen Verbraucher schützen, ehrliche Produzenten belohnen und die zukünftige Entwicklung dieses ungewöhnlich süßen Baums lenken kann.

Zitation: Tang, Y., Yu, P., Xiong, F. et al. Tracing origin and cultivation practice of Lithocarpus litseifolius via multi-data fusion and machine learning approaches. npj Sci Food 10, 105 (2026). https://doi.org/10.1038/s41538-026-00748-0

Schlüsselwörter: süßer Tee, Lebensmittelrückverfolgbarkeit, Machine Learning, Pflanzenchemie, geographische Herkunft