Umami_SFST：通过序列 - 结构特征整合进行鲜味肽预测的可解释机器学习平台

《Food Bioscience》：Umami_SFST: An interpretable machine learning platform for umami peptide prediction via sequence–structure feature integration

　　

## 摘要

高效鉴定鲜味肽仍然具有挑战性，因为传统的感官引导筛选方法耗时费力。本研究开发了一种可解释的机器学习框架Umami_SFST，整合了肽序列和分子结构信息。构建了包含310个鲜味肽和307个苦味肽的精选数据集，并使用PAAC、CTD、RDKit描述符和Morgan指纹来表征互补的序列和结构性质。互信息排序结合全局Top-K优化生成了一个包含200个特征的子集用于模型构建。优化的Stacking模型在独立内部测试集上达到ROC-AUC 0.978和PR-AUC 0.972，在包含更多样化味觉类别的独立外部验证集上达到0.776和0.762。SHAP分析显示CTD和RDKit描述符对预测的贡献最强，而Morgan指纹和PAAC提供了互补信息。进一步开发了基于Streamlit的网页平台，用于对标准肽和结构修饰肽进行单条和批量筛选。Umami_SFST提供了一种实用且可解释的工具，用于优先筛选候选肽，减少实验筛选工作量，并支持后续的感官评价。

## 引言

鲜味被确认为人类的五种基本味觉之一，在食物识别、营养评估和奖励处理中发挥着关键作用（Wang等，2023；Zhang等，2019）。鲜味物质包括游离氨基酸、增味核苷酸、有机酸和小肽。典型鲜味刺激物如谷氨酸钠（MSG）通过动态结合T1R1/T1R3受体的Venus flytrap（VFT）结构域来激活味觉信号，随后在中枢神经系统中诱导特定的神经振荡模式（Meng等，2024；Xiong等，2022）。在这些化合物中，谷氨酸（Asp）和谷氨酸（Glu）等酸性氨基酸通过静电相互作用增强受体结合亲和力，而肌苷酸单磷酸（IMP）等核苷酸通过稳定受体的闭合构象来放大信号（Yu等，2023）。分子量在300至3000 Da之间的鲜味肽通常表现出更明显的鲜味（Gao等，2025）。迄今为止，已从各种食物来源中鉴定出数百种鲜味肽，包括鸡肉、牛肉、海鲜、大豆和蘑菇（Guo等，2025；Jünger等，2022；Zhang等，2024）。传统的鲜味肽筛选主要依赖于感官引导分离与质谱分析的结合，通常涉及多个分离和纯化步骤，如超滤、凝胶过滤色谱和反相高效液相色谱（RP-HPLC）（Zhao等，2026）。这些程序费时费力且成本高昂，并且可能无法识别某些化合物（Wang等，2024）。因此，准确预测鲜味肽并阐明其结构-味觉关系对于食品研究和工业应用具有重要的意义。开发高效、可靠且经济的鲜味肽鉴定方法已成为食品科学中的重要研究需求。

机器学习因其能够捕捉高维、多变量和非线性关系，越来越多地应用于食品科学及相关交叉领域的复杂预测问题（An等，2026；Cui, Zhou等，2025）。在不同的机器学习策略中，神经网络模型已被广泛应用于从多维数据中学习复杂的非线性关系，并在不同的研究主题中展现了强大的预测能力（Jin & Xu, 2025a；Xu & Zhang, 2023b, 2024b）。高斯过程回归（GPR）提供了另一种灵活的非线性建模方法，已成功应用于多种复杂预测任务（Jin & Xu, 2025b, 2026d, 2026e）。此外，图形技术已被用于表征多个变量之间的复杂依赖关系和相互作用，为从异构数据集中提取结构化信息提供了替代视角（Jin & Xu, 2026a, 2026c；Xu & Zhang, 2024a）。集成和组合建模策略进一步展示了整合不同模型中互补预测信息的潜力，以提高预测的鲁棒性和稳定性（Xu, 2020；Xu & Zhang, 2021；Jin & Xu, 2026b）。这些方法论的发展共同凸显了机器学习在识别复杂数据集中的潜在模式和非线性关系方面的广泛应用。在食品及食品相关研究中，机器学习同样展示了在建模复杂关系方面的巨大潜力，这些关系涉及分子结构、理化性质、加工特性以及其他多维变量。先前的研究已证明了其在各种食品和农业相关预测任务中的适用性，包括分子性质建模、生物活性化合物预测以及农业和食品市场预测（Zhang & Xu, 2020, 2021a, 2021b；Xu & Zhang, 2023a, 2023c, 2023d）。这些研究进一步证明了机器学习方法从异构数据中识别潜在模式以及建模由多个交互因素支配的复杂非线性关系的能力。这种方法论优势对于鲜味肽预测尤为重要，因为肽的味觉受氨基酸组成、残基排列、理化性质和分子结构特征的共同影响，而非由单一因素决定。Charoenkwan等（2020）开发了iUmami-SCM，一种基于评分卡框架的序列型预测器；而Qi等（2023）进一步提出了基于多层感知器（MLP）和循环神经网络架构的Umami-MRNN。随后，Zhang等（2023）探索了基于预训练BERT的策略用于鲜味肽预测，Fu等（2025）引入了Umami-Transformer，通过整合Transformer架构与理化描述符。这些研究大幅推进了鲜味肽预测。然而，这些方法仍然主要围绕氨基酸序列信息开发，这可能限制了它们对化学多样性非肽类化合物的适用性。此外，以序列为中心的方法往往未能充分利用显式的结构和理化信息，这对于结构复杂的小分子尤为重要。基于RNN的方法在捕捉长程依赖性方面存在固有限制，而BERT等大规模预训练语言模型通常受限于可用的鲜味肽数据集规模较小，并且通常需要从其他肽相关任务进行迁移学习（Indiran等，2024）。由于不同肽类别之间的内在关系并不完全一致，这种迁移可能会引入额外的不确定性并降低模型的鲁棒性。这些局限性共同表明，现有的以肽为中心的方法不足以提供更广泛和统一的预测框架。

鲜味肽预测中更具挑战性的问题在于肽的结构多样性。鲜味肽通常是从小二肽到寡肽的短序列，其味觉性质可受多种因素的影响，包括氨基酸组成、残基位置、肽链长度、末端残基、电荷分布、疏水性和局部序列上下文（Dutta等，2022；Su等，2025）。谷氨酸（E）和天冬氨酸（D）等酸性残基通常与鲜味活性相关，但其贡献不仅取决于它们的存在，还取决于残基顺序、邻近残基、末端分布和整体分子环境（Cui等，2024）。此外，味觉活性肽可能发生结构修饰，包括末端修饰、甲基化、乙酰化、γ-谷氨酰化或非标准残基连接（Cui, Yu等，2025；Yang等，2019）。这些修饰可能改变分子极性、电荷分布、氢键能力、局部原子环境、构象性质和受体相互作用，而这些变化无法被传统的初级序列表征完全反映（Yang等，2021；Zhang等，2022）。这些特征表明，鲜味肽的识别受复杂结构-味觉关系的支配，仅靠简单的经验序列规则无法充分描述。Singh等（2025）提出了UmamiPredict，将肽序列转换为SMILES表示并使用分子描述符进行鲜味预测，证明了结构信息建模的可行性。然而，仅依靠描述符建模可能仍不足以捕捉高维局部结构片段和复杂的特征相互作用。为了克服这一局限性，可以将氨基酸序列信息与基于SMILES的分子结构信息相结合，以更全面地表征鲜味肽。序列衍生特征可以表征氨基酸组成、序列顺序以及沿肽链分布的理化性质，而基于SMILES的表示则提供了超越初级序列的显式分子连接和化学结构信息。在这一框架中，PAAC和CTD特征描述序列层面的特性，RDKit分子描述符表征分子大小、极性、疏水性、氢键能力和电子拓扑状态等全局理化性质，Morgan指纹编码局部原子-键环境和亚结构模式。这些互补表示的整合使模型能够同时捕捉肽的序列特性和实际分子结构信息，从而为建模复杂结构-味觉关系提供更完整的基础。

在本研究中，我们构建了一个包含经实验验证的鲜味和苦味肽的精选数据集。为了从互补的角度表征鲜味肽，将序列衍生的PAAC和CTD特征与基于SMILES的RDKit描述符和Morgan指纹相结合，实现了对序列特性、全局理化性质和局部结构环境的联合表征。经过基本预处理后，应用互信息和全局Top-K优化来识别信息性特征，随后用于构建Stacking集成模型进行鲜味肽预测。进行了重复分层验证和独立外部验证以评估模型的稳定性和泛化能力。使用SHAP分析识别重要的序列和结构特征，同时将关键的Morgan指纹位映射到代表性分子片段以增强化学可解释性。最后，开发了Umami_SFST网页平台用于候选肽筛选。本研究提供了一种可解释的序列-结构整合框架，用于高效鲜味肽预测和结构-味觉关系分析。

## 数据集建立

为鲜味肽预测构建了一个二元肽数据库。正样本主要来自已发表文献、BIOPEP-UWM数据库以及公开的鲜味肽数据集，包括UMP499（https://github.com/peptideinnov11/Umami-Transformer/blob/main/datasets.xlsx）和UMP442（https://github.com/Shoombuatong/Dataset-Code/tree/master/iUmami）。仅收录具有明确氨基酸信息且经感官实验确认具有鲜味的肽序列。

## 序列和分子特征

如图1A所示，鲜味肽和苦味肽的长度分布无明显差异。它们的分子量分布也大致相当（图1B）。这些结果表明，肽链长度和分子量单独提供有限的区分信息来辨别两种味觉类别。氨基酸组成方面观察到更明显的差异（图1C）。酸性残基，特别是天冬氨酸（D）和谷氨酸（E），在

## 结论

在本研究中，开发了一种可解释的序列-结构整合机器学习框架Umami_SFST用于鲜味肽预测。鲜味肽与苦味肽的比较分析表明，它们的区分取决于残基组成、理化性质分布、局部序列模式和分子结构特征的综合作用差异。PAAC和CTD描述符与RDKit分子描述符和Morgan指纹相结合，且

## CRediT作者贡献声明

曾毛毛：写作–审阅与编辑、监督、资源、资金获取。邓鹏：写作–初稿、方法论、调查、数据整理。杨天：可视化、验证。陈阳：监督、软件。陈秋明：可视化、软件。沈兴：验证、监督。王兆军：验证、监督。陈杰：可视化、监督、项目管理、资金获取。何志勇：验证、方法论

## 未引用参考文献

Cui等，2025；Zhang等，2023；Zhang等，2024；Zhao等，2026。

## 利益冲突

作者声明无竞争性经济利益。

## 伦理审批

不适用。

## 发表同意

不适用。

## 数据可用性

支持本研究结果的数据可在合理请求下从通讯作者处获取。

## 资助

本工作由江南大学交叉学科基金（编号2026JC01A）和国家重点研发计划（编号2023YFD210070202）资助。

## 利益冲突声明

? 作者声明他们没有任何已知的竞争性经济利益或个人关系可能会影响本文所报告的工作。

## 致谢

本工作由江南大学交叉学科基金（编号2026JC01A）和国家重点研发计划（编号2023YFD210070202）资助。

邓鹏|陈阳|沈兴|杨天|陈秋明|王兆军|何志勇|陈杰|曾毛毛
江南大学食品科学与工程国家级重点实验室，无锡 214122，中国