《Food Chemistry》：Decoding structure-function synergies in plant proteins using AlphaFold and deep learning tools
编辑推荐：
•AlphaFold 预测的豆科蛋白质结构具有高置信度（pLDDT >83%）。•大豆和豌豆中较高的 β-折叠含量驱动了稳定的水凝胶网络。•蚕豆球蛋白中较低的 α-螺旋含量与稳定的乳液有关。•静态 AI 模型必须与经验流变学相结合，以实现精准食品设计。引言到 21 世纪中叶，
- •
AlphaFold 预测的豆科蛋白质结构具有高置信度（pLDDT >83%）。
- •
大豆和豌豆中较高的 β-折叠含量驱动了稳定的水凝胶网络。
- •
蚕豆球蛋白中较低的 α-螺旋含量与稳定的乳液有关。
- •
静态 AI 模型必须与经验流变学相结合，以实现精准食品设计。
引言
到 21 世纪中叶，预计全球人口激增将重塑粮食安全动态，加剧了对生态可持续且大规模可获取的蛋白质来源的紧迫性 (Fukase & Martin, 2020)。为了应对这些新兴压力，植物基蛋白质越来越被视为动物基蛋白质的战略替代品，在环境效率、资源保护和长期可持续性方面具有优势。
人们对植物蛋白的兴趣激增，特别是由于纯素食和素食饮食的日益普及，以及动物农业带来的高碳足迹和高用水量 (Jafarzadeh et al., 2024; Nasrabadi et al., 2021)。源自大豆、豌豆和蚕豆等植物来源的蛋白质不仅营养价值显著，而且生态影响较小。然而，它们在食品配方中适用性的关键决定因素不仅在于组成属性，还包括功能性属性，如溶解性、凝胶化、乳化能力、起泡性和粘度 (Karabulut et al., 2024; Ma et al., 2022)。
对蛋白质功能行为的精确估计对于设计针对不断演变的营养和技术需求的创新食品系统至关重要。然而，传统的实验方法通常受限于高资源需求、冗长的程序以及对生物变异性的敏感性，这降低了它们的预测可靠性 (Derry & Altman, 2023; Zhao et al., 2024)。为了应对这些局限性，人工智能 (AI) 方法，特别是基于机器学习 (ML) 和深度学习 (DL) 的方法，作为模拟蛋白质分子结构与其功能行为之间关系的有前景的工具，正引起关注 (Pitarch & Pazos, 2025)。
该领域最重大进展之一是 AlphaFold (AF) 算法，它因其能够以原子分辨率预测蛋白质结构而备受关注。AF 获得 2024 年诺贝尔化学奖标志着一个变革性的里程碑，确立了 AI 作为结构生物信息学和蛋白质功能分析核心工具的地位 (Callaway, 2024; Prize, 2024)。这一技术飞跃标志着植物基蛋白质功能表征中一个尚未充分探索的前沿领域 (Jumper et al., 2021; Sumida et al., 2024)。
基于一般的蛋白质结构研究，本综述针对主要豆科储藏蛋白（具体为大豆球蛋白、豌豆伴球蛋白和蚕豆球蛋白）进行了有针对性的比较评估，利用 AF 预测的二级和三级结构作为案例研究。除了对 AI 架构的描述性总结外，本研究还引入了一个概念框架，将计算预测与经验流变学数据相结合，有效地弥合了静态结构模型与蛋白质在复杂食品基质中动态行为之间的差距。此外，这项工作批判性地评估了 AF 输出在真实加工条件（如变性和聚集）下的适用性，从而划定了增强 AI 驱动工具在食品材料科学中预测准确性的战略研究方向。
章节摘要
核心功能属性
植物蛋白的功能价值不仅由其营养组成决定，还由一系列技术特性决定，包括溶解性、凝胶化、乳化、起泡和粘度。这些特性源于蛋白质分子结构与环境条件之间的复杂相互作用 (Ma et al., 2022; Sim et al., 2021)。溶解性是指蛋白质在水环境中分散的能力，受 pH 值等因素影响，
AI 的核心组件
深度学习在食品蛋白质科学中的应用需要从一般序列折叠转向特定领域的特征映射。虽然卷积神经网络 (CNN) 在处理网格状空间模式方面非常高效，但图神经网络 (GNN) 已成为建模种子储藏蛋白复杂、非欧几里得 3D 拓扑结构的标准，将氨基酸表示为节点，将物理非共价接触表示为边 (Alzubaidi et al., 2021; Tulbure
AlphaFold 的工作原理
AlphaFold 代表了深度学习的一个突破，无需先前的结构模板，即可直接从线性氨基酸序列提供高保真的蛋白质三级结构预测。其模型架构分为三个主要模块：一个多序列比对 (MSA) 引擎、一个 Evoformer 计算核心，以及一个负责生成三维结构坐标的最终组件 (Jumper et al., 2021)。模型的输入是
结论
这项研究突出了 AlphaFold 结合其先进的深度学习架构在解决主要豆科储藏球蛋白（如大豆球蛋白、豌豆伴球蛋白和蚕豆球蛋白）的复杂结构 - 功能协同作用方面的高精度性能。比较分析表明，宏观技术功能特征并非依赖于简化的二级结构百分比，而是由层级四级架构、表面地形以及
局限性与未来展望
从描述性结构建模转向真正的精准食品工程，需要解决目前限制 AI 在该领域范围的几个基本挑战。一个主要的瓶颈源于 AlphaFold 等算法从根本上是针对预测热力学稳定的、在理想化水条件下的单链单体或生理复合物的天然构象而优化的。当
CRediT 作者贡献声明
Evrim Unal: 撰写 – 原稿，概念化。Esra Capanoglu: 撰写 – 审阅与编辑，监督，概念化。Asli Can Karaca: 撰写 – 审阅与编辑，监督，概念化。
写作过程中生成式 AI 和 AI 辅助技术的声明
在准备本工作的过程中，作者使用了 Paperpal 以辅助语言编辑并确保表达的清晰度。使用此服务后，作者仔细审阅并按需编辑了内容，并对已发表文章的内容承担全部责任。
利益冲突声明
作者声明，他们没有已知的竞争性财务利益或个人关系，这些利益或关系可能影响本论文中报告的工作。
Evrim Unal|Esra Capanoglu|Asli Can Karaca
