鲜味肽智能预测新纪元：基于Transformer架构的高精度计算模型与实验验证

本文推荐：研究者创新性地将Transformer架构与8种理化特征（VSA_Estate6、BCUT2D_MWLOW等）结合，开发出鲜味肽预测模型Umami-Transformer（ACC达96.5%，F1值0.903），通过分子对接揭示天冬氨酸/谷氨酸（Asp/Glu）末端对鲜味受体互作的关键作用，并实验验证了DDE/DDED肽的鲜味增效潜力，为风味优化与减钠策略提供AI驱动新范式。

　　

Highlight

本研究通过整合Transformer架构与八种理化描述符，开发了鲜味肽预测框架Umami-Transformer，其分类准确率（ACC）达0.965，F1分数0.903。实验验证显示，含Asp/Glu末端的肽段（如DDE、DDED）与鲜味受体结合能力显著，1 mg/mL浓度即可超越3 mg/mL味精（MSG）的鲜味强度。

Ablation Experiment

特征消融实验表明，去除溶解度参数（MolLogP）和电荷相关特征（VSA_Estate6、BCUT2D_MWLOW）会导致模型性能显著下降（图3A），证实这些理化属性对鲜味肽鉴别的关键作用。

Conclusion

Umami-Transformer模型通过深度学习与分子对接的协同应用，不仅实现鲜味肽高精度预测，更揭示了酸性氨基酸末端与受体T1R1/T1R3的稳定相互作用机制，为食品风味设计提供理论-实验闭环验证体系。

CRediT Authorship Contribution Statement

Baifeng Fu：研究设计/论文撰写；Ming Du：资金支持/资源协调；团队协作完成从算法开发（Yingxue Du）到感官验证（Min Fan）的全流程研究。

Funding

本研究获云南院士专家工作站（202305AF150039）与大连市高层次创新团队项目（2023RG005）资助。

Declaration of Competing Interest

作者声明无利益冲突。