综述：人工智能在食源性肽研究中的可能性与局限性

这篇综述系统探讨了人工智能（AI）与食源性肽（FDPs）研究的深度融合，揭示了AI在生物活性肽发现、功能表征及结构-活性关系解析中的革命性潜力，同时指出数据完整性、模型可解释性及实验验证等关键挑战。文章对比传统方法与AI技术（如随机森林、卷积神经网络），提出标准化数据库与跨学科策略（如代谢组-肠道菌群）将推动个性化营养肽的精准设计。

　　

Abstract

人工智能（AI）与食源性肽（FDPs）研究的深度整合标志着该领域向智能化精准设计的范式转变。随机森林（RF）、卷积神经网络（CNN）等机器学习（ML）和深度学习（DL）技术显著加速了生物活性肽的发现与功能解析，但其应用仍面临数据集完整性、模型架构优化及实验验证等核心挑战。

机遇与挑战

AI通过大规模数据处理提升肽筛选效率，但蛋白质结构预测中的“维度灾难”和局部最优问题降低了准确性。FDP预测中，氨基酸描述符的选择直接影响模型稳定性，而数据稀缺性导致训练偏差，传统交叉熵损失函数进一步加剧类别分布失衡。

技术突破方向

标准化多维数据库结合异构AI架构可提升模型跨域适应性。计算可视化框架定量解析结构-活性关系（QSAR），代谢组-肠道菌群跨学科策略助力个性化营养肽设计。AI优化的酶解工艺与高通量平台虽面临挑战，但为工业化生产提供新路径。

CONFLICT OF INTEREST

作者声明无利益冲突。