《Future Foods》：Multi-label Classification Model of the Five Tastes Based on Molecular Structure and Natural Language Processing Techniques
编辑推荐：
味觉感知是药物与食品设计中创新策略的关键因素，体现为甜、苦、鲜、咸、酸五种基本味觉。然而依赖人体感官评价进行味觉评估耗时且昂贵，因此开发五味预测模型是一种更高效实用的替代方案。关键挑战包括味觉感知的多标签性质（即单一化合物可表现多种基本味觉）、严重的类别不平衡
味觉感知是药物与食品设计中创新策略的关键因素，体现为甜、苦、鲜、咸、酸五种基本味觉。然而依赖人体感官评价进行味觉评估耗时且昂贵，因此开发五味预测模型是一种更高效实用的替代方案。关键挑战包括味觉感知的多标签性质（即单一化合物可表现多种基本味觉）、严重的类别不平衡，以及在统一预测框架中整合结构迥异的小分子与肽。为解决该问题，研究人员提出了一种融合分子结构分析与自然语言处理的新颖味觉预测模型，并基于描述符、指纹、FastText与Word2vec等特征提取技术，训练了随机森林、XGBoost、LightGBM与CatBoost等树基机器学习模型。实验结果表明，所提模型显著提升了分类性能，其中LightGBM取得最高F1-score达74.91%。该研究不仅推进了五味预测，也为理解味觉感知分子结构的关键因素提供了重要见解，旨在为计算食品科学及健康食品开发研究人员提供支持。
研究背景与动机：味觉感知通过甜、苦、鲜、咸、酸五种基本味觉参与膳食选择、药物开发与食品质量控制。传统人体感官评价需专业面板、实验室条件与安全防护，存在耗时、昂贵、品评者疲劳等局限；电子舌（E-tongue）虽成本较低，但仅适用于液体样品且需严格浓度控制，方法开发繁琐。已有机器学习模型多聚焦单味或双味（如BitterX、BitterPredict、e-Bitter、e-Sweet、BitterSweetForest、VirtuousSweetBitter、VirtuousUmami、Umami-BERT、VirtuousMultiTaste），咸味与酸味的分子数据稀缺，且Transformer类预训练模型（SMILES-BERT、MolBERT、ChemBERTa）需大规模语料与算力。因此，研究人员开展了一项统一预测五味、融合轻量级自然语言处理（NLP）与常规分子表征的工作，论文发表于《Future Foods》。
主要关键技术方法：研究人员从ChemTasteDB、FartDB、TastePepAI、TastePeptideDB与KokumiPD五个数据库收集SMILES，经RDKit规范化去重后获15,179个唯一规范SMILES样本（含小分子13,495、肽1,684），标签合并为多标签注释共16,123条。小分子按Bemis–Murcko骨架聚类、肽按Levenshtein相似度聚类后划分训练集12,143与独立测试集3,036，避免结构泄漏。特征端并行提取1,830个分子描述符（RDKit+Mordred，ignore_3D=True）与6,144位指纹（ECFP/Morgan、Topological Torsion、RDKit Path，各2,048位），合称DESFINGS；同时对SMILES做k-mer（k=1–5）分词，以Skip-gram训练200维Word2Vec与含字符n-gram（3–6）的FastText，均值池化得200维嵌入，构建DESFINGS–Word2Vec与DESFINGS–FastText混合表征。模型端采用随机森林、XGBoost、LightGBM、CatBoost四类树基算法对各味觉训练二分类器，以五折多标签分层交叉验证优化每标签决策阈值（苦/甜0.45、酸0.50、咸0.10、鲜0.40），在独立测试集一次性评估。
研究结果：
2.1 数据收集：跨库合并去重后甜10,036、苦2,915、酸1,859、鲜1,089、咸224条正标签；咸味与鲜味以肽为主，甜味与苦味以小分子为主，类别极不平衡。
2.2 数据拆分：基于骨架/序列聚类的group-aware划分使训练/测试集标签流行度差≤0.000248，多标签模式分布一致，消除相似结构跨集泄漏。
2.3 特征提取：2.3.1 分子结构特征获DESFINGS共7,974维；2.3.2 NLP表征中FastText借字符n-gram可表示未见k-mer，Word2Vec忽略未见词；2.3.3 因子分析（Principal Axis Factoring）仅作事后解释与按因子载荷≥0.75选特征，不用于训练降维。
2.4 提出技术：五种表征（DESFINGS、FastText、Word2Vec、DESFINGS–FastText、DESFINGS–Word2Vec）中混合表征旨在桥接显式化学属性与序列语义。
2.5 模型构建：四类树基模型中LightGBM（n_estimators=500，learning_rate=0.05，num_leaves=31）与CatBoost表现居前，决策阈值按标签单独优化。
2.6 性能评估：以多标签混淆矩阵拆解为每味二分类，报告精度、召回、F1、Hamming精度、子集精度等。最优组合DESFINGS–Word2Vec+LightGBM在独立测试集取得宏观F1-score 74.91%；交叉验证OOF F1为苦0.7853、甜0.9565、酸0.8488、咸0.3699、鲜0.8466，咸味因正样本极少（224）性能受限。
讨论与结论翻译浓缩：研究人员指出，该框架首次在统一多标签设定下覆盖五味，轻量级NLP（Word2Vec/FastText）与DESFINGS互补，使LightGBM较既往VirtuousMultiTaste（71.76%）提升约3.15个百分点，且无需Transformer大规模预训练。因子分析揭示电荷分布、电负性、极化率相关描述符为跨味关键潜因子。局限包括咸/酸数据稀疏、未纳入浓度/pH/食品基质、Kokumi等非五味未标注。结论为：融合分子描述符指纹与SMILES级轻量NLP嵌入、配合按标签调阈的树基模型，可有效预测五味多标签剖面，LightGBM+DESFINGS–Word2Vec为最优配置，该工作为计算食品科学与低钠低糖配方设计提供可解释预测工具。
