《Current Opinion in Food Science》：A conformational ensemble model of food odorant–receptor interaction: from structural motifs to AI-based predictive frameworks
编辑推荐：
专业术语翻译
食品气味的感知越来越多地在动态嗅觉受体（olfactory receptors，ORs）的背景下被理解，这些受体是采样构象系综而非固定结合口袋的G蛋白偶联受体（G protein-coupled receptors，GPCRs）。本综述通过连接气
专业术语翻译
食品气味的感知越来越多地在动态嗅觉受体（olfactory receptors，ORs）的背景下被理解，这些受体是采样构象系综而非固定结合口袋的G蛋白偶联受体（G protein-coupled receptors，GPCRs）。本综述通过连接气味剂结构基序、受体构象重加权、基质依赖性递送以及混合物层面的结果（如掩蔽和协同效应），将这一成熟的动态受体范式转化并整合到食品嗅觉领域。最近的冷冻电镜结构和突变研究，包括OR52家族受体和可逆共价醛受体OR6A2，阐明了配体结合如何能够重新分布受体状态，而无需区分构象选择与诱导契合。当前的AI模型被讨论为有用的结构-受体或结构-感知预测器，但它们仍然缺乏明确的受体动力学和真实的食品基质暴露。研究人员提出了一个多尺度框架，以定量地连接这些层次，并确定未来预测模型所需的数据。
论文解读文章
研究背景与现存问题
食品香气的产生是一个多层级的过程，涉及分子结构、基质释放、鼻后运输、受体激活以及神经信号整合。尽管经典的组合编码模型（即一种气味剂可激活多个嗅觉受体，一个受体可响应多种配体）仍是嗅觉科学的基础，但在食品科学领域，现有模型往往忽略了受体本身的内在动态性。传统的观点倾向于将嗅觉受体视为拥有固定三维结构的静态结合口袋，这与近年来在G蛋白偶联受体（GPCRs）药理学中建立的动态构象系综描述相悖。此外，食品基质中气味剂的复杂释放动力学、口腔加工过程中的时间变化，以及多种气味剂之间的竞争与相互作用，进一步增加了感知预测的难度。现有的基于人工智能的结构-受体或结构-感知预测模型虽然取得了一定进展，但它们普遍缺乏对受体动态构象变化的显式模拟，也未充分考虑真实食品基质中的暴露条件。因此，亟需建立一个整合了受体动态学、食品基质效应和混合物交互作用的统一理论框架，以更准确地理解和预测食品气味感知。
研究内容与结论
本研究团队提出了一项核心论点：不应将受体-配体互作视为静态锁钥模型，而应将其纳入一个动态的构象系综框架。该研究的核心贡献并非提出全新的受体物理学范式，而是将这一成熟的GPCR动态概念系统地整合到食品气味感知的研究中。通过引入“配体依赖的构象重加权”这一机制中立术语，研究人员巧妙地规避了“构象选择”与“诱导契合”这两种机制的争论，强调了配体结合会改变受体各构象状态的相对群体分布，从而影响信号输出。这一框架的关键意义在于，它能够将时间依赖的气味剂可用性与配体依赖的受体状态群体变化及功能输出定量地联系起来，为解释食品体系中复杂的掩蔽、协同等混合物效应提供了新的理论基础。
关键技术方法
为实现上述理论框架的构建，研究人员主要采用了以下关键方法：
- 1.
统计热力学与多态动力学建模：基于受体各构象状态的自由能和状态依赖的配体亲和力，利用结合多项式权重计算配体存在下的受体状态平衡群体。
- 2.
低温电子显微镜（cryo-EM）结构解析与定点诱变研究：通过分析OR52家族受体和可逆共价醛受体OR6A2的高分辨率结构及突变体的功能变化，为受体构象的动态变化提供直接的实验证据。
- 3.
现有AI预测模型的批判性分析与整合：评估了当前主流的机器学习模型在预测气味剂-受体互作方面的优势和局限性，指出了其缺失受体动力学和食品基质暴露模块的短板。
- 4.
多尺度框架的提出：设计了一个连接分子结构、受体构象系综、基质递送和感知输出的多层次定量模型，并明确了构建未来预测模型所需的数据类型。
研究结果
引言与动态受体范式
研究指出，食品香气源于分子结构、基质释放、鼻后运输、受体参与和神经整合的复杂链条。通过回顾近年来的结构与计算研究，证实了嗅觉受体作为动态GPCRs的观点，其构象分布在配体结合后会发生变化。研究采用“配体依赖的构象重加权”这一中性术语来描述此现象，避免了关于作用机制的争议。
食品气味剂的结构基序
食品气味剂涵盖醛类、酮类、酯类、萜烯类、含硫化合物等多种化学类别。研究表明，气味品质是由多个相互作用基序（如羰基、羟基、疏水骨架）的空间组织方式共同决定的，而非单一主导属性。例如，链长、支链化程度、饱和度和官能团位置的微小变化，都可能导致气味阈值和品质的巨大差异。这揭示了气味剂可能通过其多个空间分离的官能团同时接触受体的不同亚区域，从而稳定特定的受体构象，解释了为何结构相似的化合物可能表现出截然不同的感知特性。
配体依赖构象重加权的定量框架
研究建立了一个定量的统计热力学框架。在该框架中，受体被视为一系列构象状态的系综，每个状态都有其固有的无配体自由能（Gi0）和对特定配体的解离常数（Kd,i）。配体在受体界面的有效浓度（CR）决定了每个状态的结合多项式权重（wi），进而通过归一化计算出各状态在平衡时的群体比例（pieq）。这个框架首次将食品气味感知中的基质依赖性递送、混合物竞争等复杂因素与受体层面的构象动态变化进行了数学上的耦合。
总结与结论
讨论部分总结：该综述的核心贡献在于将GPCR领域已确立的动态构象系综概念系统地引入食品嗅觉研究。它强调了食品基质和混合物环境为气味感知增添了额外的调控层级，这是传统静态模型无法捕捉的。当前的人工智能模型虽然在结构-受体关系预测上表现良好，但由于忽略了受体动态和真实的暴露场景，其预测能力存在根本性局限。提出的多尺度框架旨在弥合这些差距，为未来的计算模型指明了方向。
研究结论：食品气味感知不能简化为静态的锁钥模型。为了准确预测，必须将受体视为动态的构象系综，其状态群体受到配体结构、局部浓度以及食品基质释放动力学的共同调控。将这一动态视角与先进的AI工具相结合，有望开发出能够真正理解并预测复杂食品香气的新一代预测模型。
