利用基础模型和迁移学习进行肽转运预测、分子风味分类以及视觉纹理分析

《Innovative Food Science & Emerging Technologies》：Leveraging foundation models and transfer learning for peptide transport prediction, molecular taste classification, and visual texture analysis

预训练基础模型（如ESM、ChemBerta2、Molformer、CLIP）在食品科学中的应用研究，通过迁移学习实现肽跨细胞运输预测（准确率0.89）、分子味道分类（准确率0.99）和植物基肉制品纤维结构量化（R2=0.81），验证了基础模型嵌入技术对实验数据的高效解析能力。

　　在食品科学领域，随着数据处理和分析技术的不断进步，基础模型（Foundation Models, FMs）正逐渐成为一种强有力的工具。这些模型通过迁移学习的方式，能够有效处理符号性数据和图像数据，从而提升预测任务的准确性。本文探讨了三种实际应用案例，展示了如何利用预训练的基础模型来优化食品科学研究中的预测模型。这些案例分别涉及蛋白质序列、化学分子结构以及食品图像的分析，体现了基础模型在食品科学中的广泛适用性和潜在价值。

### 蛋白质序列的运输能力预测

第一项应用聚焦于利用预训练的蛋白质语言模型来预测源自山羊奶的肽类物质在Caco-2细胞单层模型中的运输能力。Caco-2细胞模型常用于模拟人体肠道的吸收过程，因此，能够准确预测哪些肽类物质可以被有效运输，对于评估其生物活性具有重要意义。研究人员采用“Evolutionary Scale Model Cambrian”（ESMC）模型，该模型专门用于处理蛋白质序列信息。通过将氨基酸序列转化为数值嵌入（embeddings），研究人员进一步构建了分类模型，以判断这些肽是否具有运输能力。

在实验中，研究人员发现，仅使用传统的二肽组成（dipeptide composition）方法进行预测，其准确率为0.79，而AUC值为0.853。相比之下，基于ESMC模型的嵌入表示能够显著提升模型的性能。通过使用均值池化（mean-pooled embeddings）的方法，模型的准确率达到了0.86，AUC值为0.931。进一步引入基于Bi-LSTM的模型，该模型能够捕捉氨基酸序列中的顺序关系，使准确率进一步提升至0.89，AUC值为0.952。这一结果表明，预训练的基础模型不仅能够提取更丰富的蛋白质序列信息，还能通过迁移学习的方式，有效提升预测任务的性能。

此外，研究还发现，肽类的翻译后修饰（post-translational modifications）对运输能力有一定影响，但这种影响并不明显。因此，模型在考虑修饰信息时，能够获得更优的预测结果。这一发现为未来研究提供了新的方向，即在构建预测模型时，应充分考虑肽类修饰信息的潜在作用。ESMC模型的优势在于其能够捕捉氨基酸序列中的隐含结构信息，从而帮助模型更好地理解肽类的生物功能特性。

### 化学分子的味觉分类

第二项应用则是利用预训练的化学语言模型来预测小分子化合物的味觉特征。研究中使用了“ChemBerta2”和“Molformer”这两种模型，它们分别对分子结构进行编码，并生成数值嵌入。研究人员选择了包含甜味、苦味和鲜味（umami）的分子数据集，并通过迁移学习的方式，训练出能够分类这些分子的模型。

在实验中，基于传统化学信息学方法（如MACCS键和QSAR建模）的模型表现较为一般，整体准确率分别为0.90和0.89。然而，基于预训练模型的分类结果则更为优异，其中“Molformer”模型的准确率达到了0.99，远高于传统方法。这一结果表明，化学语言模型在处理分子结构信息时，能够更全面地捕捉分子的味觉特性，从而提高分类的准确性。值得注意的是，尽管甜味和苦味分子的数量较多，使得模型在这些类别上的表现较好，但鲜味分子的数量较少，导致其分类准确率相对较低。这提示在处理味觉分类任务时，数据集的平衡性对模型性能具有重要影响。

为了进一步验证预训练模型的有效性，研究人员还进行了Umap可视化分析，以观察不同味觉类别之间的嵌入分布情况。结果显示，无论是基于化学语言模型还是传统化学信息学方法，味觉分子在嵌入空间中都呈现出一定的重叠，这表明分子的味觉特性可能受到多种因素的共同影响。然而，预训练模型在捕捉这些复杂关系方面表现更为出色，为未来的味觉预测研究提供了新的思路。

### 食品图像的纤维度评估

第三项应用则关注食品图像的分析，特别是植物基肉替代品（Plant-Based Meat Analogue, PBMA）的纤维度评估。研究人员采用预训练的视觉变换器模型（Vision Transformer, ViT）进行图像嵌入提取，并基于这些嵌入训练出一个回归模型，以预测PBMA样品的纤维度评分。与传统的图像分析方法相比，基于ViT的模型能够更好地处理复杂的图像数据，例如那些具有不规则纹理或表面反光的样品。

在实验中，研究人员发现，传统的图像分析方法在处理豆腐等无纤维结构的样品时表现不佳，因为其表面的水分含量会影响图像的识别效果。而基于ViT的模型能够综合考虑整个图像的信息，从而在嵌入空间中更准确地区分不同样品的纤维度特征。通过Umap可视化分析，研究人员观察到，使用ViT模型提取的嵌入能够更清晰地划分不同纤维度等级的样品。此外，模型的预测误差（RMSE）为8.03，R2值为0.81，表明其在实际应用中具有较高的可靠性。

为了验证模型的有效性，研究人员还将其与之前开发的图像分析方法进行了比较。结果显示，基于预训练模型的方法在预测纤维度评分时，其R2值从0.68提升至0.81，说明迁移学习在图像分析中的优势。此外，该方法不仅能够处理PBMA样品，还能够适用于其他具有复杂外观的食品图像，为食品科学中的图像分析提供了更灵活的解决方案。

### 模型的统一性与可扩展性

从上述三个应用案例可以看出，尽管数据类型和任务目标各不相同，但所有模型均基于迁移学习的统一框架进行构建。首先，通过预训练模型提取数据的嵌入表示，然后利用这些嵌入作为输入，训练出针对具体任务的模型。这一方法不仅提高了模型的预测能力，还为食品科学中的多模态数据处理提供了统一的平台。

预训练模型的优势在于其能够捕捉数据中的深层结构信息，而不仅仅是表面特征。例如，在蛋白质序列分析中，ESMC模型能够从氨基酸序列中提取出隐含的结构信息，从而提升分类模型的性能。同样，在化学分子结构分析中，Molformer模型能够识别分子结构中的细微差异，使得味觉分类更加精准。而在图像分析中，ViT模型能够综合考虑整个图像的上下文信息，从而更准确地评估纤维度评分。

此外，这些模型还展示了良好的可扩展性。例如，在蛋白质序列分析中，研究人员发现，当数据集规模较大时，使用基于token级别的嵌入（如Bi-LSTM模型）可能比均值池化方法更有效。这表明，随着食品科学数据的不断积累，迁移学习方法可以进一步优化，以适应更复杂的数据结构和更高的预测需求。

### 食品科学中的实际应用价值

这些应用案例不仅展示了迁移学习在食品科学中的潜力，还强调了其在实际研究中的重要价值。例如，在蛋白质序列分析中，基于ESMC模型的分类模型能够帮助研究人员快速筛选出具有潜在生物活性的肽类物质，从而节省实验时间和资源。在味觉分类任务中，基于化学语言模型的预测方法能够为食品开发提供更精确的味觉信息，辅助新产品设计和配方优化。而在纤维度评估方面，基于视觉模型的预测方法能够有效处理复杂图像数据，为食品质量控制和产品改进提供支持。

值得注意的是，这些模型的开发和应用依赖于食品科学领域的专业知识。例如，在蛋白质序列分析中，研究人员需要理解Caco-2细胞模型的原理，以确保模型的预测结果具有实际意义。同样，在味觉分类任务中，研究人员需要掌握分子结构与味觉之间的关系，以指导模型的训练和优化。因此，迁移学习方法的成功不仅依赖于模型本身的技术能力，还需要与食品科学的实验数据相结合。

### 未来发展方向

尽管本文展示了迁移学习在食品科学中的广泛应用，但仍然存在一些挑战和改进空间。例如，在处理小样本数据时，模型的泛化能力可能受到限制。此外，不同数据类型的处理方式也需要进一步优化，以提高模型的适应性和准确性。未来的研究可以探索更复杂的模型架构，以适应不同类型的数据，同时结合多源数据，提高预测模型的鲁棒性。

此外，迁移学习方法在食品科学中的应用还可能扩展到其他领域，如食品成分分析、营养评估和食品安全检测等。通过整合不同类型的预训练模型，研究人员可以构建更加全面的预测框架，从而更高效地处理食品科学中的复杂问题。这不仅有助于提升研究效率，还可能推动食品工业的技术革新，实现更智能化的食品生产和设计。

总的来说，基础模型通过迁移学习的方式，为食品科学提供了新的分析工具和方法。这些模型能够有效处理蛋白质序列、化学分子结构和食品图像等多模态数据，为食品研究和应用带来了新的机遇。随着技术的不断进步，迁移学习在食品科学中的应用将更加广泛，为食品行业的发展注入新的活力。