基于深度学习迁移策略的食物肽液相色谱保留时间精准预测模型研究

本研究针对食物源性肽段在LC-MS鉴定中因结构多样性导致的保留时间预测难题，由跨国企业Unilever等机构的研究人员通过迁移学习技术，对现有蛋白质组学模型进行微调，构建出高性能预测模型（Q2>0.98）。该模型在酵母和植物蛋白水解物验证中表现出色（95%预测误差≤±1.0 min），显著提升复杂食物肽分析的可靠性与效率，为食品质控提供创新技术支撑。

　　

通过比对预测与实测保留时间，可显著提升液相色谱-质谱联用（LC-MS）技术对小分子食物源性肽段的鉴定可靠性——这类肽段仅凭质谱图谱信息往往难以准确识别。由于食物肽结构高度异质化，现有蛋白质组学数据库或基于其构建的预测模型在此领域适用性有限。为解决该问题，研究团队采用迁移学习策略：先基于大规模蛋白质组学数据训练通用深度学习模型，再使用商业肽标准品实验数据对其进行精细化微调。

该方法采用易于实施的再训练策略，相较于从头构建模型，大幅降低数据需求与训练时间。微调后的模型展现出卓越预测性能（Q² > 0.98），在酵母蛋白水解物验证集中，95%的保留时间预测误差控制在±1.0分钟范围内，且跨色谱条件稳定性优异。团队进一步在植物蛋白水解物分析中验证该模型，其对胰酶水解肽与非胰酶水解肽均表现出良好适用性，凸显其泛化能力与实践价值。

本研究彰显了迁移学习在色谱分析中的潜力，为食品研究领域提供高效、灵活的肽分析工具。该技术成功将蛋白质组学海量数据资源迁移至食物肽这一细分领域，突破专业壁垒实现知识跨域应用。

利益冲突声明：Boudewijn Hollebrands与Hans-Gerd Janssen受雇于跨国企业联合利华（Unilever），其余作者声明无利益冲突。