《TRENDS IN FOOD SCIENCE & TECHNOLOGY》：Function-Specific Test Conditions and Multiple-Function Prediction in AI-Assisted Discovery of Food-Derived Bioactive Peptides: Advances, Challenges and Prospects
编辑推荐：
•大多数AI模型使用肽序列和计算出的分子特性作为输入。•测试条件可以改变相同肽的活性测量结果。•模型需要在不同测试条件下获得可比较的结果。•多功能预测需要为每个肽功能提供测量数据。•未来的模型应该使用测试条件作为多功能预测的输入。引言食物来源的肽是通过酶促水解或微生物发酵从食物蛋
- •
大多数AI模型使用肽序列和计算出的分子特性作为输入。
- •
测试条件可以改变相同肽的活性测量结果。
- •
模型需要在不同测试条件下获得可比较的结果。
- •
多功能预测需要为每个肽功能提供测量数据。
- •
未来的模型应该使用测试条件作为多功能预测的输入。
引言
食物来源的肽是通过酶促水解或微生物发酵从食物蛋白质中释放出来的（Chang等人，2025年；Mazorra-Manzano等人，2018年；Patil等人，2022年）。生物活性肽具有可测量的生物学效应，包括抗菌、抗氧化和ACE抑制活性。金属结合、味觉调节、抗冻活性和自组装也被认为是与食品使用相关的物理化学和感官功能（Rivero-Pino，2023年；S. Wang等人，2024年；Y. Yang等人，2025年）。肽的活性取决于其序列长度、残基组成、电荷、疏水性和构象，但这些性质的重要性因功能而异；例如，正电荷和两亲性有助于微生物与膜的相互作用，芳香残基有助于自由基清除，而组氨酸和含硫残基有助于金属结合（Avilés-Gaxiola等人，2025年）。这种结构-活性关系的复杂性使得传统的肽发现过程耗时且成本高昂。
AI可以通过优先选择候选肽进行测试来减轻这一负担（Kussmann，2022年）。大多数模型通过肽的氨基酸序列和一组计算出的物理化学描述符（如长度、分子量、净电荷和疏水性）来表示肽（Agoni等人，2025年）。机器学习和深度学习模型利用肽信息来预测肽是否具有特定功能，或者估计定义的终点值（如最小抑制浓度MIC），而生成模型则提出新的序列（Agoni等人，2025年）。定量结构-活性关系（QSAR）分析将肽描述符与测量活性联系起来（Nongonierma & FitzGerald，2016年），而分子动力学（MD）和密度泛函理论（DFT）分别研究可能的肽-靶标相互作用和电子性质（Xin等人，2026年）。然而，大多数AI模型仍然主要依赖于关于肽本身的信息。
大多数AI模型使用氨基酸序列和计算出的分子特性来预测肽的功能，有些模型还会估计定义的终点值（Chang等人，2025年；Choudhury等人，2025年；Wan, Wong等人，2024年）。功能描述了肽的作用类型，终点指定了测量的内容，而测量值是在特定条件下获得的结果。活性保留为已建立的术语，如抗菌活性和ACE抑制活性；感官阈值、结合能力和组装状态被视为不同的终点。测试条件包括生物靶标、肽浓度、pH值、温度、盐浓度、暴露时间和食品基质。仅使用肽信息的模型无法解释这些条件下测量结果的差异，这从不同微生物之间的MIC差异以及乳液中自由基清除结果和脂肪氧化结果的差异中可以看出（Q. Wen等人，2025年）。当在同一条件下测量到相同的终点时，测试条件可以用作模型输入，测量值作为预测目标。
另一个限制是大多数模型一次只预测一个肽的功能，尽管一个肽可以具有多种功能（Bajiya等人，2024年；Olsen等人，2020年）。多功能预测意味着至少要预测同一肽的两种不同功能。多标签模型为一个肽分配多个功能标签，而多任务模型为每个功能产生单独的输出。针对多种微生物的预测涵盖了同一抗菌功能的多个靶标，但这不被视为多功能预测。未经过测试的功能应保持缺失状态，而不是被标记为无活性。
最近的综述研究了AI辅助肽发现的不同方面。之前已经有过关于AI方法、肽表示、数据库和筛选工作流程的综述（Chang等人，2025年；Peighambardoust等人，2021年）。其他综述关注AI引导的肽设计（Xing等人，2026年）以及数据质量、模型解释和验证（Zhao等人，2026年）。这些综述对使用特定功能测试条件作为模型输入以及多功能预测的进展关注较少。本综述比较了当前的模型，以确定是否将生物靶标、pH值、温度、盐浓度和食品基质性质作为输入。它还评估了使用多标签和多任务模型在多功能预测方面的进展，并确定了在定义的测试条件下预测每个功能所需的数据。图1总结了综述中研究的模型输入，并区分了单功能预测和多功能预测。
在Web of Science Core Collection、Scopus和PubMed中搜索了2015年1月至2026年9月间发表的原始研究。搜索词结合了食物来源的生物活性肽、AI方法、测试条件和多功能预测。相关综述的参考文献列表也进行了筛选。当研究报告了具有明确定义的输入和输出的肽预测模型时，这些研究被纳入其中。使用食物蛋白质中的肽的模型被归类为食物来源的肽模型，而基于其他肽数据集的模型作为与两个综述主题相关的方法学示例被保留。同行评审的研究构成了主要的证据基础，还有一个相关的预印本也被识别出来。排除了综述、会议摘要和没有预测模型的研究。在筛选的121篇出版物中，有29篇模型研究符合这些标准，并在表1和表2中进行了比较。
章节片段
当前用于食物来源肽发现的AI模型
用于肽发现的AI模型在提供的模型信息和预测的结果方面有所不同。大多数模型使用肽序列、计算出的分子特性或两者兼用。针对特定目标的抗微生物模型还会使用细菌种类或基因组衍生特征（Bae等人，2025年；Vishnepolsky等人，2022年）。一个随机森林自组装模型将溶液组成、肽浓度、pH值和温度作为输入（Z. Yang等人，2025年）。模型预测肽是否
在定义的测试条件下进行多功能预测的数据
大多数当前模型根据序列和计算出的分子特性预测一个肽的功能。当数据集包含在不同条件下测量的活性值时，测试条件可以作为额外的模型输入。例如，将pH值作为输入需要在不同pH值下进行测量。多功能预测也为每个肽功能使用单独的结果。图2总结了肽序列、报告的功能、活性值等
挑战与未来方向
主要挑战来源于用于训练和评估肽预测模型的数据。分配给相同肽功能的研究使用了不同的检测方法和终点，而同一肽中的多个功能的数值活性值、无活性结果和测量结果仍然有限（Pirtskhalava, Amstrong等人，2021年）。当训练集和测试集中出现相同或高度相似的序列时，模型性能也可能被高估（Bernett等人，2024年）。
结论
本综述研究了将测试条件作为模型输入的用途以及食物来源肽的多功能预测的最新进展。针对特定目标的抗微生物模型包括有关微生物的信息，而一个自组装模型使用溶液组成、pH值和温度来预测组装状态。多标签和多任务模型证明可以在一个模型内预测多个肽功能。总的来说，这些研究提供了所需的两个组成部分
CRediT作者贡献声明
Wei Luo：概念化、调查、可视化和撰写原始草稿。Shuaida Wang：撰写原始草稿。Xixi Cai：资源准备和可视化。Xu Chen：可视化。Shaoyun Wang：资源准备、写作-审稿和编辑、监督。
利益冲突
作者声明他们没有已知的可能会影响本研究工作的财务利益或个人关系。
致谢
本研究得到了中国国家重点研发计划（编号2023YFD2100205）和
国家自然科学基金（编号32272311）的支持。
Wei Luo|Shuaida Wang|Xixi Cai|Xu Chen|Shaoyun Wang
