iBitter-HF：基于混合特征嵌入的苦味肽序列鉴定方法

《Foods》：iBitter-HF: A Method for Bitter Peptide Sequence Identification Based on Hybrid Feature Embedding

　　

苦味肽是食品级蛋白质水解物、发酵产品和肽基补充剂中的实际障碍，因为它们在营养或功能价值实现之前就可能损害风味。感官评价小组和基于质谱的鉴定方法仍然可靠，但其通量有限，难以对大型肽库进行早期筛选。现有预测器通常侧重于可解释的人工设计描述符或深度序列表示，而这两种信息来源对于面向食品的苦味肽筛选可能是互补的。在此，研究人员提出了iBitter-HF，一种将七类人工设计描述符与统一表示（UniRep）特征相整合的混合特征嵌入方法。研究人员使用基于轻量梯度提升机（LGBM）的特征重要性排序来组织候选嵌入，并使用极端梯度提升（XGB）对所选特征子集进行分类。在公开的BTP640基准上，最终确定的135维特征模型在独立测试集上达到了96.9%的准确率。基于文献的比较表明，该模型相对于八种已报道的苦味肽预测器具有竞争性表现，且降维可视化显示特征优化后苦味肽与非苦味肽的局部组织更加清晰。这些结果支持iBitter-HF作为序列水平苦味肽筛选及蛋白质水解物脱苦导向设计的计算辅助工具。

**论文解读：iBitter-HF——基于混合特征嵌入的苦味肽序列鉴定方法**

**1. 研究背景与问题**

食品级蛋白质水解物广泛用于发酵食品、营养配方和功能性肽产品，但其风味往往决定这些成分能否在实际水平上使用。在酶解或加工过程中，蛋白质释放出短肽，其中一部分因疏水性残基暴露、特定残基模式形成或激活苦味受体而呈现苦味。苦味肽一旦存在，会降低消费者接受度，并迫使企业进行额外脱苦、配方调整或批次级质量控制。传统鉴定依赖分离、质谱和感官评价，这些方法虽是确认苦味的参考标准，但在早期设计阶段筛选成百上千条候选肽序列时效率不足。基于序列的机器学习模型可将部分决策提前至合成或分离之前，有助于优先筛选食品蛋白质利用和功能产品设计相关的肽段。

在机器学习苦味肽预测领域，已有研究大致沿三条路径发展：一是人工设计特征，如二肽倾向性、组成谱或多视角描述符，代表性工具iBitter-SCM利用二肽倾向评分构建评分卡模型，独立测试准确率为84.4%；二是引入更丰富的序列表示，如BERT4Bitter、iBitter-Fuse和iBitter-DRLF分别使用BERT、多视角特征及UniRep/BiLSTM表示，将准确率提升至92.2%、93.0%和94.4%；三是强调分类器设计，包括随机森林、梯度提升和集成学习，以建模非线性决策边界。近期系统如iBitter-GRE和iBitter-Stack均达到96.1%的准确率。这些进展表明，有效的预测器既需要信息丰富的序列描述符，也需要能够利用这些描述符同时控制冗余、过拟合风险和可解释性的算法。

人工设计描述符可编码氨基酸组成、残基对、理化性质、序列顺序和置换倾向，因其疏水性、电荷、芳香性和残基排列可与味觉相关化学性质对应，在食品肽研究中具有吸引力。但其局限在于只能看到预先设计的模式。UniRep则是一种基于mLSTM从大规模氨基酸序列语料库中学习的蛋白质序列表示方法，能够捕获肽序列中的潜在上下文，但各维度难以直接解释。已有研究将UniRep用于苦味肽预测，但尚未系统验证将多类人工设计描述符与完整UniRep表示进行排序和优化组合后，能否在保留一定生化可解释性的同时提升苦味肽识别性能。

**2. 研究目的与总体设计**

iBitter-HF的设计目标是检验排序后的混合特征嵌入能否优于单独使用人工设计描述符或UniRep。研究在相同BTP640数据划分下比较不同特征来源，从预定义训练数据中构建紧凑特征子集，并在独立测试集上使用多种判别指标评估。最终Top 135模型在独立测试中达到96.9%的准确率，并保持了较强的MCC、F1分数、auROC和auPRC值，但该声明被限定为基准水平的序列筛选，而非感官苦味强度预测。工作还结合降维可视化、特征来源分析和网络服务器部署，为优先筛选苦味肽候选物提供实用计算工具，同时明确了未来食品基质研究仍需验证的边界。

**3. 主要技术方法**

研究使用公开的BTP640基准数据集，包含320条苦味肽和320条非苦味肽，其中训练集512条（正负各256），独立测试集128条（正负各64）。特征提取方面，研究人员构建了七类人工设计描述符，包括氨基酸组成（AAC）、适应性跳跃二肽组成（ASDC）、二肽组成（DPC）、氨基酸指数（AAindex）、两亲性伪氨基酸组成（APAAC）、组成-转变-分布（CTD）和BLOSUM62置换矩阵，共2103维。同时使用UniRep深度学习表示提取1900维特征。两者拼接形成4003维候选嵌入空间。特征选择采用LGBM默认分裂重要性进行排序，以平均重要性为阈值，保留重要性高于均值的特征，形成固定的Top 135子集（包含93个UniRep特征和42个人工设计描述符）。最终分类采用XGB模型。评估指标包括准确率、敏感性、特异性、精确度、F1分数、MCC、auROC和auPRC。t-SNE用于定性可视化样本分布。

**4. 主要结果**

**4.1 特征杂交对苦味肽识别的影响**

在独立测试集上，人工设计特征（Artfeats）与UniRep的混合嵌入（Artfeats + UniRep）的复合指标中位数为0.9219，高于Artfeats（0.9097）和UniRep（0.8950）。其中位准确率为89.8%，较两种单一表示分别提高3.90和0.78个百分点。结果表明人工设计特征的组成和理化信息与UniRep编码的序列上下文互补，使混合特征嵌入具有更稳定的整体识别能力。

**4.2 机器学习模型比较**

在混合特征嵌入下比较七种分类器，LGBM和XGB的多指标均值分别为0.9549和0.9536，高于RF（0.9403）和SVM（0.9045）。两种提升树模型准确率均为95.3%，MCC约为0.906。XGB的auPRC达到0.9806，LGBM的特异性为0.9688。朴素贝叶斯均值仅0.6726，MCC低至0.3930，表明条件独立假设不足以描述多源特征间关系。因此选择LGBM进行特征排序，XGB用于增量评估。

**4.3 基于特征重要性排序的模型优化**

Top 135模型在独立测试集上获得ACC=0.96875、MCC=0.93796、Sn=0.95313、Sp=0.98438、精确度=0.98387、F1=0.96825、auROC=0.97949、auPRC=0.98278。与原始候选嵌入相比，ACC从0.95313提升至0.96875，MCC从0.90625提升至0.93796，Sp从0.95313提升至0.98438，auROC从0.97656提升至0.97949，Sn保持0.95313不变。所选特征中，深度上下文信息占主要贡献，理化性质和残基组合描述符提供互补的可解释序列信息。

**4.4 特征空间降维可视化**

t-SNE二维分布显示，在单一特征表示下苦味和非苦味样本仍有大量重叠。候选混合特征嵌入产生更结构化的样本分布，表明两种信息源组合改善了特征空间组织。经LGBM排序和特征子集优化后，Top 135特征在低维可视化中表现出更清晰的局部分离，与性能提升一致，但被视为定性支持而非泛化能力的定量证据。

**4.5 与现有苦味肽预测器的比较**

与iBitter-SCM、BERT4Bitter、iBitter-Fuse、iBitter-DRLF、Bitter-RF、iBitter-GRE、iBitter-Stack和XGBoost-BP八种已发表预测器相比，iBitter-HF在五个指标上的均值为0.9646，处于BTP640基准上的最强模型之列。其ACC达96.9%，Sp达0.984，表明整体正确率高且能可靠排除非苦味肽。iBitter-GRE的Sn更高，iBitter-Stack的auROC接近iBitter-HF，说明不同预测器侧重不同判别方面。由于比较基于文献报道指标，该结果应视为描述性基准比较，而非正式统计优越性证明。

**5. 讨论与结论**

研究存在若干局限：实验仅基于公开BTP640基准，尽管精确重复检查未发现训练集与独立测试集间有相同序列，但探索性成对相似性筛查检测到全局高同源性训练-测试对和频繁的包含性基序重叠，部分原因是该基准中许多肽段很短，因此无法完全排除序列相似性冗余对基准性能的影响。LGBM特征选择仅在完整训练集上执行一次，未在交叉验证折内重复，内部验证结果可能具有乐观偏差，仅作描述性解释。与先前预测器的比较基于文献指标，预处理、软件版本、超参数优化和随机初始化差异可能影响直接可比性。iBitter-HF预测苦味/非苦味序列标签，未经感官或肽组学验证不应解释为真实食品基质中苦味强度的定量预测器。研究未报告定量网络服务器吞吐量基准。未来工作应使用逐折或嵌套特征选择、外部食品衍生肽数据集、更严格的序列冗余控制、实验苦味测定和开源工作流沉积来进一步评估泛化性和可重复性。

结论部分指出，本研究提出了iBitter-HF，一种基于混合特征嵌入的苦味肽序列鉴定方法。该方法将人工设计特征和UniRep深度表示学习特征整合到候选嵌入空间，并通过训练集LGBM特征重要性排序和平均重要性阈值获得紧凑的Top 135特征子集。结果表明混合特征嵌入优于单一特征表示，筛选后的紧凑特征子集在BTP640基准上提高了模型准确性和非苦味肽排除能力。与现有苦味肽预测器相比，iBitter-HF实现了96.9%的独立测试准确率，在基准比较中表现出竞争力的整体性能。降维可视化和特征来源分析表明，深度上下文信息与人工设计理化描述符之间的互补性是性能提升的重要原因。该方法可为快速序列水平苦味肽筛选、蛋白质水解物脱苦设计和功能肽产品开发提供计算支持，而使用外部实验表征的食品衍生肽进行进一步验证仍是未来工作的重要方向。