一种基于深度学习的鲜味肽预测方法及系统技术方案

本发明专利技术公开了一种基于深度学习的鲜味肽预测方法及系统，该方法包括如下步骤：S1、构建数据集；S2、特征选择与处理；S3、构建Umami‑Transformer模型：构建包含特征处理与生成模块、序列信息处理模块、特征信息处理模块和结果输出模块的Umami‑Transformer模型；S4、模型训练：S5、鲜味肽预测：将待测肽序列输入训练好的Umami‑Transformer模型，得到其为鲜味肽的概率预测结果。本发明专利技术通过融合Transformer架构与8种关键物理化学特征，能够高效处理肽序列信息，显著提升鲜味肽预测精度。进一步结合穷举法筛选所有二肽至五肽，并通过分子对接技术解析候选肽与鲜味受体T1R1/T1R3的相互作用机制，最终实现从理论预测到生物实验验证的全流程研究，为鲜味肽的高效挖掘及功能应用提供了创新技术路径。

【技术实现步骤摘要】

本专利技术涉及一种基于深度学习的鲜味肽预测方法及系统，属于食品科学与人工智能交叉。

技术介绍

1、鲜味肽是一类能够显著增强食品鲜味的生物活性肽，通常来源于蛋白质水解产物。其不仅能提升食品的鲜味感知，还可有效减少苦味，改善整体风味适口性。例如，nkf、lglr等已知鲜味肽可通过与味觉受体相互作用，增强低盐溶液的咸味感知，为减盐食品开发提供了潜在解决方案。目前，鲜味肽在食用菌、牡蛎等天然生物中广泛存在，其研究不仅局限于食品风味优化，还涉及减少钠盐摄入、开发健康功能性食品等领域，对食品科学及公共卫生具有重要价值。

2、传统鲜味肽筛选技术主要依赖感官导向分离结合质谱分析，尽管该方法能够有效鉴定活性肽，但存在成本高昂、耗时久、通量低等问题，且实验过程中易因复杂分离步骤导致活性肽损失。近年来，随着人工智能技术的发展，机器学习模型逐渐被应用于肽段风味分类。例如，多层感知机(mlp)、长短期记忆网络(lstm)等模型曾被用于鲜味肽预测，但rnn类模型因梯度消失问题难以有效处理长序列数据。此外，预训练语言模型(如bert)虽在自然语言处理中表现优异，但由于鲜味肽本文档来自技高网...

【技术保护点】

1.一种基于深度学习的鲜味肽预测方法，其特征在于，包括如下步骤：

2.根据权利要求1所述的一种基于深度学习的鲜味肽预测方法，其特征在于，所述步骤S1中的构建数据集具体包括：

3.根据权利要求2所述的一种基于深度学习的鲜味肽预测方法，其特征在于，所述步骤S2中的特征选择与处理具体包括：

4.根据权利要求3所述的一种基于深度学习的鲜味肽预测方法，其特征在于，所述步骤S3中：

5.根据权利要求4所述的一种基于深度学习的鲜味肽预测方法，其特征在于，所述结果输出模块中，通过设置0.5的概率阈值对肽进行分类，概率大于0.5判定为鲜味肽，反之为非鲜味肽。...

【技术特征摘要】

1.一种基于深度学习的鲜味肽预测方法，其特征在于，包括如下步骤：

2.根据权利要求1所述的一种基于深度学习的鲜味肽预测方法，其特征在于，所述步骤s1中的构建数据集具体包括：

3.根据权利要求2所述的一种基于深度学习的鲜味肽预测方法，其特征在于，所述步骤s2中的特征选择与处理具体包括：

4.根据权利要求3所述的一种基于深度学习的鲜味肽预测方法，其特征在于，所述步骤s3中：

5.根据权利要求4所述的一种基于深度学习的鲜味肽预测方法，其特征在于，所述结果输出模块中，通过设置0.5的概率...

【专利技术属性】
技术研发人员：程述震，付柏枫，杜明，常智慧，易俊洁，田宏，凡敏，
申请(专利权)人：大连工业大学，
类型：发明
国别省市：