食品源鲜味肽：从候选发现、实验验证到食品应用的数据–模型–实验–食品框架

《Foods》：Food-Derived Umami Peptides: Linking Candidate Discovery, Experimental Validation, and Food Applications

　　

替代蛋白（alternative proteins）和培养肉（cultivated meat）增加了对风味策略的需求，这些策略需在减少对盐和传统调味料依赖的同时保持咸鲜品质。食品源鲜味肽（food-derived umami peptides）是有前景的候选物，但其实际价值取决于超越序列预测（sequence prediction）的证据。随着虚拟消化（virtual digestion）、肽组学（peptidomics）和人工智能辅助方法（AI-assisted approaches）的进展，发现正从感官导向制备（sensory-guided preparation）扩展至候选库构建（candidate-library construction）和数据驱动优先排序（data-driven prioritization）。本综述比较食品蛋白资源以及实验和基于序列的发现路径，并考察化学和感官验证（chemical and sensory validation）、仪器支持（instrumental support）和受体相关证据（receptor-related evidence）。基于结构的计算（structure-based calculations）被视为机制解释工具，而非功能测定（functional assays）的替代。本综述在预测–验证–应用（prediction–validation–application）框架内组织这些发现，并评估其与食品配方（food formulation）、加工稳定性（processing stability）和生产可行性（production feasibility）的相关性。尚存优先事项包括透明味觉数据集（transparent taste datasets）、可重复模型评估（reproducible model evaluation）和重复食品试验（replicated food trials），这些试验需连接有效剂量（effective dose）、异味（off-flavours）、回收产率（recovery yield）和成本（cost）。研究人员提出一个数据–模型–实验–食品（data–model–experiment–food）框架，以指导实际鲜味肽开发。

1. 引言（Introduction）
1.1 风味缺口、减盐压力与鲜味肽机会（Flavour Gaps, Salt-Reduction Pressure, and Opportunities for Umami Peptides）：植物基肉制品中弱鲜味仍是配方问题；盐和风味增强剂可增强咸鲜背景，但含钠成分影响减盐空间。食品蛋白可提供味觉活性肽，真菌研究已识别单独或与 MSG 和核苷酸混合时有感官活性的候选物。虚拟消化（virtual digestion）允许在水解物制备前检查蛋白序列，候选可与肽组学发现比较并排序用于合成和感官测试。鲜味肽已在金华火腿、发酵鱼、牡蛎、大豆、米糠、发酵乳、腐乳、食用菌、蛤蜊煮液和蛋壳膜等来源中报道。蛋白组成决定可释放序列，伴随风味和加工行为影响配料使用；来源选择影响发现与后续配方。
1.2 从经验发现到数据驱动发现（From Empirical Discovery to Data-Driven Discovery）：传统路线从水解物或发酵样品出发，经分级、感官导向纯化、MS 鉴定和合成确认，优势是接触真实基质和真实味觉反应，弱点是规模有限。近期流程结合湿实验与计算：虚拟酶解生成候选，肽组学鉴定序列，预测模型排序，分子对接（molecular docking）和分子动力学（molecular dynamics, MD）研究相互作用。人工智能（AI）为广义计算类别，机器学习（ML）为从数据学习模型，深度学习（DL）为多层神经网络 ML 子集；蛋白语言模型嵌入是可喂养下游预测器的表示。虚拟酶解通常为基于规则的序列生成，对接和 MD 为基于结构计算，可结合 AI 但不因此成为 AI 方法。序列生成与实验鉴定结合可扩大候选空间。
1.3 当前进展、未解决问题与综述范围（Current Progress, Unresolved Issues, and Review Scope）：近期候选发现已扩展至杂交猪肉和蛋壳膜等，牡蛎和大豆研究说明水产与植物蛋白来源。虚拟水解、肽组学、对接、MD 和 ML 已纳入筛选流程，但公共数据集小且异质，外部验证有限，许多预测序列未在真实食品基质测试。检测、模型预测、合成、受体相关和食品基质测试肽提供不同证据。本综述沿食品蛋白资源、候选库构建、虚拟水解、肽组学、AI 辅助优先排序、合成验证、感官和电子舌评价、T₁R₁/T₁R₃ 相关受体证据、对接与动力学及食品系统应用展开。三条解释边界为：虚拟切割不证明食品加工中释放；对接或 MD 不证明功能性受体激活；模型溶液活性不证明食品中功效。
1.4 文献识别与选择（Literature Identification and Selection）：本文为批判性叙述综述，非系统或范围综述。文献识别结合 PubMed 和 Semantic Scholar Academic Graph API；主题块包括 umami peptide 等，与筛选、鉴定、发现、肽组学、感官评价、虚拟筛选、机器学习、深度学习、对接、分子动力学、T₁R₁ 或 T₁R₃ 等 AND 组合。工作文献池用 DOI 去重，标题/年份匹配备用。标题/摘要筛选优先食品源鲜味或鲜味增强肽、候选生成和预测方法、受体相关证据、感官验证和食品应用。选择为目的性而非穷尽合成，可能受数据库覆盖、关键词和全文可解释性影响。
2. 食品蛋白资源与鲜味肽候选的虚拟生成（Food-Protein Resources and Virtual Generation of Umami-Peptide Candidates）
2.1 动物来源（Animal Sources）：肉、骨、禽和水产品已被研究为味觉活性肽来源。金华火腿筛选中超过 2000 个肽片段，最终保留 10 个鲜味肽，阈值 0.1109–0.2634 mg/mL；猪骨肽经预测、合成和感官评价；蟹、牡蛎、蛤蜊煮液、发酵乳和发酵鱼提供进一步例子。这些研究在真实风味背景中识别候选，但分离序列活性与其对原食品贡献是分开问题。
2.2 植物来源（Plant Sources）：植物蛋白是植物基肉、低盐调味和清洁标签风味系统的主要基质。番茄蛋白虚拟消化结合机器学习筛选鉴定 AGPNY，鲜味阈值 0.0625 mg/mL；对接和 MD 提示其可能与 T₁R₁/T₁R₃ 和 GRM1 相互作用。大豆虚拟肽和米糠肽亦被筛选鲜味或咸味增强。植物蛋白来源丰富，但豆腥、苦味、涩味和蛋白网络效应影响配方，候选发现应结合异味控制和基质性能评价。
2.3 真菌、微生物、藻类和发酵食品来源（Fungal, Microbial, Algal, and Fermented-Food Sources）：食用菌在谷氨酸和核苷酸丰富背景中提供候选，红菇、松露、香菇、猴头菇、金针菇和白玉菇研究结合感官与肽组学或计算筛选。发酵食品按底物和工艺分类，酱油、腐乳、豆瓣酱为发酵植物系统，啤酒为饮料基质。酵母提取物提供微生物生物质证据，报道了 DWTDDVEAR、FE、YDQ、FQEY 和 SPFSQ 等候选。螺旋藻酸水解物鲜味级分含谷氨酰二肽和三肽及游离谷氨酸和琥珀酸，属级分水平证据，非分离肽验证。证据类别包括计算候选、化学确认、模型感官活性、受体/细胞机制支持和食品基质感官性能；对接或 MD 单独不算受体机制支持。
3. 获取鲜味肽的方法（Methods for Obtaining Umami Peptides）
3.1 传统制备路线（Conventional Preparation Routes）：酶解、发酵、热处理、膜分离和色谱可产生并简化肽混合物，MS 鉴定序列。肽谱随蛋白酶和加工条件变化，水解时间、pH、温度改变切割及肽长度、电荷和疏水性分布，影响味觉。感官导向分级中，各级分味觉得决定进一步纯化，但可深度纯化和品尝的级分与序列数量有限，丰度高的肽更易推进。肽组学可产生许多序列，但检测不建立主要鲜味贡献者。机制研究需高纯度肽，食品应用常依赖部分纯化水解物中肽、谷氨酸、核苷酸、有机酸、盐和美拉德产物的联合贡献。
3.2 通过序列数据库和虚拟水解扩展候选（Candidate Expansion Through Sequence Databases and Virtual Hydrolysis）：虚拟酶解从蛋白序列和切割规则开始，可在水解物制备前构建理论肽库；实验肽组学提供互补起点。水解优先发现中酶特异性、分级、MS 覆盖和感官选择逐步限制可及肽池；虚拟消化则列举切割规则允许的序列，再经物理化学过滤和模型排序。两者可指导合成，但起始证据不同。番茄 AGPNY 阈值 0.0625 mg/mL，金针菇肽 0.05–0.15 mmol/L，猴头菇肽 0.07–0.23 mmol/L，金华火腿候选 0.1109–0.2634 mg/mL；这些不构成候选覆盖的受控比较，效力比较需兼容阈值定义、单位、基质和感官方案。
3.3 虚拟水解和肽组学生成候选（Candidate Generation by Virtual Hydrolysis and Peptidomics）：虚拟水解和肽组学提供理论和实验检测候选。金华火腿研究筛选超过 2000 片段，13 个候选味觉评价，10 个保留；香菇研究从 1719 个鉴定肽到 722 个模型阳性肽和 4 个验证肽；发酵香肠研究使用 150000 个非冗余宏基因组衍生候选序列。库大小、合成数和最终验证数描述不同阶段，应分开报告。生物来源、实验释放或转化、LC-MS/MS 肽组学鉴定、数据库检索和虚拟酶解生成应在不同水平解读。实验鉴定与理论枚举可并行后优先排序。
3.4 数据特征、标签和负样本（Data Features, Labels, and Negative Samples）：不同研究的味觉标签可能描述不同实验结果。苦味序列和未测试序列不是可互换负例；肽纯度、测试浓度和感官方案应伴随活性标签。未测试序列不应仅因未报道鲜味活性而标记为负。数据集大小是不完整可靠性指标，同源肽分在训练和测试集、负样本为未测试肽、正标签来自异质味觉测定时，模型性能可膨胀。传统描述符如氨基酸组成、二肽/三肽组成、肽长度、分子量、疏水性、电荷、等电点和酸性残基含量仍有用；序列嵌入保留残基顺序和相邻氨基酸信息。标签定义和序列重叠对解释预测性能增益重要。
4. 机器学习和深度学习筛选（Machine Learning and Deep Learning Screening）
4.1 传统机器学习模型（Conventional Machine Learning Models）：基于描述符方法在标记味觉数据稀缺时提供可解释基线。iUmami-SCM 和 UMPred-FRL 使用同一 UMP-TR/UMP-IND 划分，分数描述共享 curated 基准内性能，非转移至新食物来源。苦味肽负例框定较窄区分任务。模型可优先合成，但有用性应由前瞻候选测试和分类指标共同判断。小模型和可解释性不消除标签不确定性、相似性泄漏或划分选择偏倚。
4.2 深度学习和蛋白语言模型（Deep Learning and Protein Language Models）：序列表示可捕捉残基上下文，但架构比较与训练数据和评估设计纠缠。iUP-BERT 和 iUmami-DRLF 重用 UMP442 基准，表示变化不构成独立外部验证；Umami-BERT 使用不同数据集和类别比例，UmamiMeta 结合更大异质记录并评估长度依赖性能。预训练可提供序列特征，但有限和不一致味觉标签仍限制下游预测器。集成学习如 TastePeptides-Meta 和 Umami-gcForest 有互补特征优势，但存在负标签来源和配置选择局限。仅分类基准、仅阳性验证集、选定候选味觉测试和食品试验回答不同问题；内部 holdout 不等同独立外部数据集。
4.3 从模型预测到实验优先排序（From Model Prediction to Experimental Prioritization）：预测表示候选计算优先排序；验证表示针对化学、感官、仪器或受体终点确认；食品功能表示定义配方中规定剂量下测量效果。候选可满足一个终点而不满足其他，功能性受体证据不由对接推断。筛选效率应与分类性能分开报告：候选压缩比 CR = N_library/N_synthesized，实验命中率 HR = N_validated/N_synthesized。香菇从 1719 个肽缩至 4 个验证候选，金华火腿从超过 2000 片段测试 13 个保留 10 个，发酵香肠排名 150000 个候选；这些计数描述工作量，食品功能声明需配方测试。
5. 实验验证和机制证据（Experimental Validation and Mechanistic Evidence）
5.1 候选肽的化学确认（Chemical Confirmation of Candidate Peptides）：化学确认是计算或肽组学优先排序后第一步。预测序列应合成或分离，检查纯度，匹配预期质量或碎片模式，再解释味觉活性。固相肽合成允许单一序列无背景测试。金华火腿、香菇和番茄蛋白候选表明，虚拟水解或肽组学可提名许多序列，但只有化学确认候选能赋予序列水平活性。报告应记录纯度、身份检查、储备液制备和残留盐或杂质贡献。
5.2 感官验证和阈值解释（Sensory Validation and Threshold Interpretation）：感官测试在浓度范围内表征化学确认肽。检测阈值记录与空白区分，识别阈值记录味觉质量识别，剂量–反应和感官描述符表征阈值以上反应。报告应指定阈值定义、浓度单位、参考味物质、pH、盐含量、panel 大小和训练、样品编码、呈递顺序和重复测量。mg/mL 转 mmol/L 需肽分子量；共同协议下比较比跨研究排名更有信息。
5.3 电子舌作为仪器支持（Electronic Tongue as Instrumental Support）：电子舌测量可支持感官解释，显示鲜味、咸味、苦味、后味或整体味觉指纹变化，用于筛选级分、比较水解物和监测加工变化。但电子舌输出不是受体水平证据，应作为仪器味觉支持补充训练 panel 或消费者评价。当与感官数据不一致，感官证据和基质特异性验证应指导解释。跨食品类别研究提示感知鲜味、等效鲜味浓度和电子舌响应关系需基质特异性解释。
5.4 受体相关实验证据（Receptor-Related Experimental Evidence）：机制声明需接近受体或细胞反应证据。基础研究确立 T₁R₁/T₁R₃ 为参与哺乳动物和人类鲜味感知的受体系统。靶向 T₁R₁ Venus flytrap 结构域的噬菌体展示筛选识别有受体关联证据的候选，但结合导向发现不建立完整受体功能激活。细胞信号测定检查功能反应，抑制或诱变可测试受体或接触残基参与。结合测定测量靶标关联，功能参与更直接由受体抑制或突变后细胞反应测试；受体物种、表达系统、对照和浓度范围决定解释。
5.5 分子对接和分子动力学（Molecular Docking and Molecular Dynamics）：对接生成提议的肽–受体姿态，MD 跟随模拟复合物检查接触和构象变化。虾肽和鲜味二肽计算研究提出用于突变或合成变体的残基。可重复性需披露受体模型、质子化和溶剂化假设、对接设置、力场、模拟长度和重复轨迹。对接和 MD 可连接排序与实验可检验假设，并在测定后重访解释不一致结果；有用报告应将预测接触与测试序列、测定浓度和可用受体测量联系。
6. 食品系统应用、风味调制和转化价值（Food-System Application, Flavour Modulation, and Translational Value）
6.1 鲜味增强和调味系统协同（Umami Enhancement and Seasoning-System Synergy）：在鲜味模型鸡汤中 1% 添加 γ-谷氨酰转肽酶修饰的 Pleurotus geesteranus 水解物，感官鲜味和咸味分别比无制备物模型增加 35.56% 和 57.69%。Agrocybe aegerita 肽 5 mg/mL 给出相当于 4.457–5.240 mg/mL MSG 的鲜味强度，DDL 最强；松露肽改变 MSG 或 IMP 混合物中鲜味感知。调味背景是重要测试变量，全制备物增强和分离肽效力是互补结果。
6.2 食品基质中风味改善和异味平衡（Flavour Improvement and Off-Flavour Balancing in Food Matrices）：小麦面筋水解物谷氨酰胺酶处理 180 min 使鲜味评分从 1.62 增至 4.27，苦味从 1.33 降至 0.65；金鲳鱼水解物在美拉德风味开发中反应 pH 7 左右感官评分最高。结果支持将鲜味与苦味和后味一起评价，而非仅优化鲜味强度。配方报告应记录剂量、配方、加工条件、感官设计和重复批次。
6.3 植物基食品、发酵食品和产品场景（Plant-Based Foods, Fermented Foods, and Product Scenarios）：大豆基组织化蛋白饼中，蛋白酶与蛋白谷氨酰胺酶组合比蛋白酶与谷氨酰胺酶组合有更高感官鲜味、更低苦味和更高总体可接受性。豌豆蛋白衍生美拉德中间体 0.1% (w/w) 在 0.4% NaCl 中相对 0.5% NaCl 参考维持咸味，为溶液中测试的 20% 减少。另一饼研究中，1% 血红素蛋白水解物/木糖美拉德产物增加硬度从 12.54 到 15.95 N，改善鲜味同时保留血红素样风味。开发问题从哪个序列尝起来鲜味转向哪种制备物纠正特定产品弱点。
6.4 天然鲜味基料和复合调味系统（Natural Umami Bases and Compound Seasoning Systems）：富蛋白副产品和低价值加工流可转化为天然鲜味基料、水解物、发酵基料、美拉德反应产物、调味粉或复合风味配料。虾头蛋白水解物已配制成风味增强剂，含 40% 虾头水解物的配方感官特征接近商业调味料。鸽肉水解物用风味蛋白酶制备，水解度 15.87%，甜味氨基酸 0.61 mg/mL，核苷酸 367.45 μg/mL。对调味基料，有用规格必须捕获肽与游离氨基酸、核苷酸和热反应背景，批次一致性、苦味、溶解性和加工耐受性比单一分离肽阈值更有信息。
6.5 减盐、减 MSG 和清洁标签应用（Salt Reduction, MSG Reduction, and Clean-Label Applications）：减盐和减 MSG 是不同配方问题。在模型溶液中，0.01% 合成 GDNVGF 在 70 mmol/L NaCl 中增强咸味 17%。广东香肠研究比较使用 KCl 和抗坏血酸钙的 NaCl 替代配方，其中三个替代组有两个含淘汰母鸡肉水解物，报告钠减少约 40–70% 因此与组合替代方案有关。清洁标签是面向消费者的描述，不是统一法规类别，来源、生产过程、配料组成、剂量和安全性需披露。
6.6 加工、储存和消化稳定性（Processing, Storage, and Digestive Stability）：草菇肽衍生美拉德产物在 130 °C 制备，盐味指数约 1.40（40% 增强），电子舌鲜味响应 18.85 ± 0.03。这表征反应产物，而非起始肽保留。稳定性测试应重现预期产品中压力：汤和酱在配方 pH 和盐水平加热；肉类似物挤压或烹饪伴随脂肪和蛋白网络相互作用；发酵食品酸化和储存；粉末干燥、吸湿和再水合。测量应配对目标肽保留与感官性能，并使用重复生产批次。
6.7 经济可行性和生产规模（Economic Feasibility and Production Scale）：经济可行性应在预期食品有效剂量评估，而非仅水溶液阈值。配料对每份成本贡献等于每份添加量乘以标准化制备物单位质量成本，该量取决于活性肽含量、回收率和加工后保留活性。Agrocybe aegerita 肽使用 5 mg/mL 溶液浓度算术对应 5 g/L，说明该模型溶液测试相关质量需求，非推荐食品剂量或价格估计。合成对验证有用，但与酶法或发酵制造比较需要路线特异性回收和纯化成本。
7. 挑战和未来展望（Challenges and Future Perspectives）
7.1 应用转化主要挑战（Major Challenges in Application Translation）：核心应用瓶颈是在可行剂量获得足够可重复味觉活性材料。低释放或分离回收可使纯化不切实际，即使合成序列强效；加热、储存和基质结合可改变所需剂量，苦味和异味限制添加量。生产产率应与保留活性和可用剂量一起报告，而非独立优化。水解物可减少纯化需求，但其组成和感官效果必须在生产批次间一致。放大耦合底物变异与酶使用、反应时间、分离、浓缩、干燥和质量控制。
7.2 食品应用未来方向（Future Directions for Food Application）：标准化应连接每个序列与其来源、释放或生成路线、纯度、味觉标签定义、浓度单位、阈值标准、panel 设计和基质组成。模型报告应披露负标签来源、相似性分组划分、fold-local 预处理、配置选择以及可及数据/代码。未来优先排序应考虑苦味、稳定性、有效剂量和基质兼容性与预测鲜味活性一起，用实验解决 trade-off。食品试验应整合目标肽测量、感官响应、加工/储存保留、生产产率和每有效份成本。安全、法规和标签评估必须针对实际组成、生产路线、预期用途和市场。
7.3 结论（Conclusions）：主要剩余差距是可持续候选选择与可负担、有效食品使用之间的联系。优先事项是透明味觉数据集和未触动评估集、报告失败候选的前瞻测试，以及测量有效剂量、异味、加工/储存损失、回收产率和每份成本的重复食品试验。标准化报告将使这些结果可比，并澄清计算何时减少开发工作。安全性、标签和消费者接受度必须针对实际制备物和预期用途评估。