今天给大家介绍一篇由Anukrati Goel等人合作的，于前段时间发表在Food Chemistry的一篇文章，文章中作者介绍了一种基于计算机驱动的方法，可以从大型天然化合物数据库中筛选出潜在的新型甜味剂。
今天给大家介绍一篇由Anukrati Goel等人合作的，于前段时间发表在Food Chemistry的一篇文章，文章中作者介绍了一种基于计算机驱动的方法，可以从大型天然化合物数据库中筛选出潜在的新型甜味剂。
1.介绍
作者对包含213210个天然化合物UNPD数据库（http://pkuxxj.pku.edu.cn/UNPD）进行了筛选。此工作主要分为两大模块，分别是基于数据和基于结构的方法。首先，采用数据库方法通过比较它们的化学指纹来筛选与已知甜味剂结构相似的化合物。其次，构建分类模型从结构与甜味剂相似的化合物中识别甜味化合物。此外，构建预测模型以预测所筛选的甜味化合物的甜度对数值。然后使用FAF-drugs4和pkCSM分析模型筛选分子的毒性和口服生物利用度。最后，用一种分子对接方法来首先识别新型潜在的甜味剂。整个文章的框架如图1所示。
图1：用于虚拟筛选以识别新甜味剂的框架。框架由几种模型组成，这些模型分为基于数据的模块和基于结构的模块。
2. 结果
2.1相似性分析
作者比较了UNPD和478种甜味剂的化学空间（去除Tanimoto系数小于0.65的天然分子）。并且基于1024位的标准指纹，发现包含213210种天然化合物的数据库UNPD，只有10184种化合物与478种已知甜味剂在结构上相似。
2.2分类模型
首先，作者使用八个描述符（BCUT，Estate，pi-path count，chipath，自相关，拓扑化学原子，MOE电荷，VSA描述符）和随机森林算法构建模型。训练和测试集的MCC值分别为0.815和0.785，表明构建的二分类模型适用于甜味和苦味的区分。对于分类模型，获得了准确性（训练集为0.897，测试集为0.865），敏感性（训练集为0.912，测试集为0.891）和特异性（训练集为0.904，测试集为0.818）。
其次，作者通过分类模型对10184个分子进行进一步筛选，基于预测置信度大于0.7，则该分子为甜类的原则，筛选出1924个甜味化合物。
2.3预测模型
在这里，作者构建了一种机器学习模型来计算分子的相对甜度。模型获得的对数（RS）值与实验对数（RS）值具有很好的相关性。训练集和测试集的R2分别为0.845和0.798。结果如图2所示。
作者发现，疏水相互作用，静电相互作用，分子的形状和大小在甜味感知中起着至关重要的作用。
图2：训练集和测试集的实验值与模型预测对数（RS）值的图。
2.4分子对接
作者通过分子对接发现，不同类别甜味剂的结合能与其甜味呈负相关，如图3所示。评估的478种甜味剂与T1R2-T1R3的相关系数r为-0.58。观察到，两个圆圈区域是异常值，一个区域的甜度指数低，通常由糖和多元醇组成，另一区域的天然高甜度甜味剂具有出乎意料的高结合能。该组主要由萜烯（紫苏碱，甜菊糖苷等）和多酚（类黄酮，异香酚类衍生物等）组成。
图3：不同类型甜味剂的结合能（kcal / mol）与甜度指数log（RS）的关系图。给出了结合能（BE）和对数（RS）之间的关系。分子的离群区域被包围。
2.5新型甜味剂的识别
作者通过上述操作得到1354个具有高甜度的化合物。进一步的毒理学分析得到60个无毒且有不错的口服利用度的化合物。对筛选的60个分子的结合构象和结合能通过使用上述方案的分子对接计算。研究表明，这些分子与萜烯和多酚的结合能也很高，如图4所示。大多数鉴定出的天然高效甜味剂属于萜烯类，少于7％的分子是多酚或苯丙烷。
图6:不同种类甜味剂的结合能(kcal / mol)与甜度指数对数(RS)的关系图。新的分子被包围。
参考文献
- l Goel A, Gajula K, Gupta R, et al. In-silico screening of database for finding potential sweet molecules: A combined data and structure based modeling approach – ScienceDirect[J]. Food Chemistry, 2020.
关注我们
原创文章，作者：ifyoung，如若转载，请注明出处：https://www.drugfoodai.com/model-sweet.html
注意：本站原创指的是原创编译，并不主张对所介绍的工作的版权，如有侵权，请联系删除！
微信扫一扫 
支付宝扫一扫 相关推荐
-
热加工处理对河鲀感官特性和挥发性物质的影响
今天介绍上海交通大学食品风味感知创新团队于2021年9月在期刊《Food Chemistry》发表的一篇研究文章。该研究使用感官评价和仪器分析技术结合多元统计分析方法探究热加工处理对河鲀感官特性和挥发性物质的影响。
-
肠道菌群分析和机器学习算法揭示精准营养在干预代谢综合征中的作用
2021年7月30日，介绍一篇由中国科学院上海营养与健康研究所陈雁研究组和林旭研究组在国际学术期刊Molecular Nutrition & Food Research发表的研究论文。该文揭示了肠道菌群在指导精准营养干预改善代谢综合征中的重要作用。
-
食品设计：基于机器学习和机制的混合建模方法
当前，食品设计是通过不断试错并由品尝小组做出感官评价完成的。为了加快新食品的开发速度，提出了一种混合机器学习和机制建模的方法。用由所需食品过往数据训练的机器学习模型进行感官评价预测。该方法基于启发法、数据库等，首先确定候选食品组分和加工中的关键操作条件。与这些组分和加工条件（设计变量）有关的像颜色、松脆度和风味这样的食品特性都用到机制模型。通过改变设计变量来优化所需的食品特性，从而获得最高感官评分。使用遗传算法解决此灰箱优化问题，将设计约束（所需食品特性）处理为罚函数。提供了一个巧克力曲奇饼干的示例以说明混合建模结构的适用性和解决方案策略。
-
当今的机器学习策略可以减少人们对食物中纳米粒子的担忧
在《环境科学与技术》杂志在线发表的一项新研究中，德克萨斯 A&M 大学的研究人员使用机器学习来评估金属纳米粒子的显着特性，这些特性使它们更容易被植物吸收。研究人员表示，他们的算法可以表明植物在根和芽中积累了多少纳米颗粒。
-
深度学习根据成分声明准确预测食品类别和营养成分
今天介绍一篇由Peihua Ma等人于2022年5月发表在Food Chemistry上的文章。本文作者提出了一种基于深度学习的通用技术来预测食物种类和营养成分。开发了一种食品配料语句嵌入方法，包括配料数据解析、数据采样、数据编码和配料语句张量表示，该方法也可应用于其他与食品语言数据处理相关的任务。随后，应用了四种最先进的深度学习模型，包括多层感知器（MLP）、递归神经网络（RNN）、卷积神经网络（CNN）和图形神经网络（GNN）。
-
Food Control|基于改良内聚稳定同位素比值的燕窝真实性鉴别与定量
该文针对食用燕窝（EBN）中稳定同位素比值(δ13C、δ15N、δ18O、δ2H)的高离散性，建立了一种既能定性和又能定量的方法来检测掺入唾液酸、蛋清和食用胶的掺假EBN。通过建立数据处理公式来提高样品同位素比值的内聚性，利用该公式建立欧式距离方程。通过计算欧氏距离建立判别式，预测准确率在95.80% ~ 99.97%之间。此外，建立了3个方程对EBN中掺假物质的含量进行定量分析，相对标准偏差在1.34% ~ 6.31%(n = 6)之间。应用所建立的方法，测得12个实样中有2个样品分别掺入了3.9%的唾液酸和2.9%的蛋清。
-
机器学习技术对食品销售预测的最新进展
本文回顾了用于预测食品销售的现有机器学习方法。讨论了从事食品销售预测的数据分析师的重要设计决策，例如销售数据的时间粒度，用于预测销售的输入变量以及销售输出变量的表示形式。同时回顾了已应用于食品销售预测的机器学习算法以及评估其准确性的适当措施。
-
社区食物零售业可达性、广域建成环境和家庭购买健康食品的相关性
今天介绍一篇将食品科学与建筑规划关联起来的角度新颖的论文，由彭科、Nikhil、Kaza等人发表在Public Health Nutrition上。建成环境与健康食物购买之间的联系是城乡规划领域一直被忽视的具有重大民生意义的课题。本文的目的是以分布在378个大都市的22448个美国家庭为例，利用多层次模型了解广域建成环境如何调节大超市和小便利店与人们购买新鲜蔬菜、蔬果数量多少之间的关系
-
使用机器学习方法对葡萄酒真实性进行预测建模
今天介绍一篇不久前由巴西戈亚斯联邦大学的Nattane Luíza da Costa发表于Artificial Intelligence in Agriculture的一篇文章。文中使用支持向量机(SVM)结合两种特征选择方法对南美洲4种葡萄酒进行分类，根据挥发物、半挥发物和酚类化合物的组成对收集的 83 个样品进行了分析。识别出九种化学品定义的变量子集对葡萄酒样品进行分类的性能最优，其准确率达93.97%。
-
中英文版《现代光谱分析中的化学计量学方法》专著出版
由中石化石油化工科学研究院褚小立博士，中国农业大学黄越博士，海南大学云永欢博士，天津工业大学卞希慧博士撰写的英文专著《Chemometric Methods in Analytical Spectroscopy Technology》，近日由国际著名学术出版社Springer出版发行。
