今天介绍一篇来自德国柏林生理学研究所的Franziska Fritz和Priyanka Banerjee、生理和科学IT研究所的Robert Preissner于2021年4月27日发表的文章。该文章实现了用机器学习模型来预测三种不同的味道终点——甜味、苦味和酸味。开发了名为VirtualTaste的 Web服务器平台，用于预测三种不同口味的化合物。
摘要
今天介绍一篇来自德国柏林生理学研究所的Franziska Fritz和Priyanka Banerjee、生理和科学IT研究所的Robert Preissner于2021年4月27日发表的文章。该文章实现了用机器学习模型来预测三种不同的味道终点——甜味、苦味和酸味。开发了名为VirtualTaste的 Web服务器平台，用于预测三种不同口味的化合物。
1、背景介绍
食物中存在的化合物的味道会帮助我们判断食物是否可食用。药物中存在的许多活性成分味道苦涩，因此儿童和许多成人都讨厌。药物的苦味出现了临床上的依从性问题，候选药物潜在苦味的早期标记可能有助于其进一步发展。同时，食品行业对化合物的味道预测也非常感兴趣。传统上，发现化合物的味道是通过人类味觉小组或基于细胞的高通量筛选来完成的。这个过程不仅费时费钱，而且费力。此外，感官小组成员的使用也具有挑战性，因为该化学品具有潜在的毒性以及味觉小组成员的主观性。因此，计算模型可以提供重要的替代方案为了快速识别化合物的味道。此外，随着化学物质的不断涌入，使用计算模型将促进传统的发现过程，因此可以及时测试化学物质。在过去的十年里，人工智能和机器学习模型在理解化合物的物理化学性质和活性方面发挥了越来越大的作用。
2、材料和方法
2.1输入和输出
本文主要介绍了VirtualTaste预测平台，它是利用PHP7、Python、JavaScript和ChemDoodle web组件开发的一个web服务器。它的使用过程是首先要上传标准的分子文件、分子名称、化合物的SMILES或者用户画出分子，用户可以选择甜味、苦味、酸味模型进行预测，提交之后，结果以表格形式显示，包括输入化合物以及相似化合物的详细信息、味道的活性预测、总体雷达图和苦味受体（目标）预测（如图1）。
图1 预测流程图
2.2 数据集
数据收集自文献来源和不同的公开数据库。不明确的化合物、盐和混合物，以及分类为不确定的条目从最终数据集中删除。数据包括: 甜味数据、苦味数据、酸味数据和苦味受体数据。
2.3 VirtualTaste预测模型
VirtualTaste模型是使用作者先前发布的BitterSweetForest模型开发的，该模型基于随机森林（RF）算法和八种不同的数据采样方法。BitterSweetForest分类模型给出了特征的数值估计，可以产生低复杂度的可解释模型。
VirtualSweet预测模型预测化合物的甜味。模型经10折交叉验证，预测准确率为88%，经外部验证，预测准确率为89%。交叉验证和外部验证的AUC–ROC值分别为0.95和0.99。
VirtualBitter预测模型预测化合物的苦味。该模型经10折交叉验证，预测准确率为94%，经外部验证，预测准确率为90%。交叉验证和外部验证的AUC-ROC值分别为0.97和0.96。
VirtualSour预测模型预测化合物的酸味。该模型经10折交叉验证，预测准确率为98%，经外部验证，预测准确率为97%。交叉验证和外部验证的AUC-ROC值分别为0.97和0.99。
3、结论
在这项工作中，作者提出了一个计算平台“VirtualTaste”来预测化合物的三种不同口味（甜、苦、酸）。经交叉验证和外部验证，模型的预测精度均达到88%以上。除VirtualSweet（86%）、VirtualBitter（88%）和VirtualSour（80%）对外部验证集的敏感性外，VirtualTaste模型的特异性和敏感性均达到90%以上。三种模型的ROC-AUC值均在0.95～0.99之间。所有模型的F1值均大于0.84。
作者希望VirtualTaste web服务器能帮助实验食品化学家快速简便地预测三种不同口味的化合物。除了为基础味觉化学研究社区提供支持外，VirtualTaste还致力于帮助识别行业中新发现的甜、苦、酸味化合物。
参考文献
Franziska F , Robert P , Priyanka B . VirtualTaste: a web server for the prediction of organoleptic properties of chemical compounds[J]. Nucleic Acids Research, 2021(W1):W1.
微信号 FoodAI
原创文章，作者：ifyoung，如若转载，请注明出处：https://www.drugfoodai.com/virtualtaste.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
-
一种基于机器视觉系统和深度学习的检测姜黄粉中掺假的新方法
今天介绍一篇最近由伊朗阿达比大学生物系统工程系Ahmad Jahanbakhshi等人发表在COMPUT BIOL MED （Q1, IF: 4.589）期刊上的文章。文章研究中，采用改进的卷积神经网络(CNN)对姜黄粉末图像进行分类，以检测参假。结果表明，计算机视觉，特别是与深度学习(DL)相结合，可以成为评价姜黄粉质量和检测参假的一种有价值的方法。
-
重磅干货：食品科学数据库资源汇总（国外篇第二部分）
书接上期，我们分享了一系列国内的食品数据库资源和一部分国外食品专业数据库。这些数据库主要对食品添加剂的安全、食品成分、食品营养和食品酶等方面进行了数据分析与平台搭建。下面继续介绍几篇相关的食品数据库文章。
-
Food Chem：基于机器学习和智能手机图像分析的四环素荧光检测
今天介绍一篇由伊朗德黑兰大学新科学与技术学院生命科学工程系的Maryam Mousavizadegan等人于2022年10月发表在Food Chemistry（IF=9.231）上的文章。文中使用机器学习（ML）算法开发了一种快速检测四环素（TC）的方法。
-
海南大学姜珂副研究员：用于化学动力学/饥饿协同癌症治疗的智能异质结芬顿催化剂的开发
近日，海南大学姜珂副研究员与山东大学李春霞教授合作，采用构筑异质结的策略，联合葡萄糖氧化酶（GOx），揭示了芬顿/级联酶促反应的协同抗癌机制。相关成果以题为“Development of an Intelligent Heterojunction Fenton Catalyst for Chemodynamic/Starvation Synergistic Cancer Therapy”发表在国际学术期刊《Journal of Materials Science & Technology》（IF=10.319）。海南大学倪伟舒硕士、姜珂副研究员为该论文的共同第一作者，海南大学姜珂副研究员、张玲副教授和山东大学李春霞教授为该论文的通讯作者。
-
通过概念和机器学习生成的基于食物喜好的饮食质量指标（DQI）解释青壮年心脏代谢风险因素的差异
今天介绍一篇康涅狄格大学（UConn）与哈特福特医院（Hartford）合作，于2020年2月发表在Nutrients上的一篇研究性论文。文章中基于喜好调查（包括食物项和非食物项）提出了一个新的饮食评价指标——DQI（饮食质量指标），可评估每种食物类别对心脏代谢风险的相对重要性，并用于估计饮食摄入量、评估饮食-疾病关系和预测患病风险。
-
湖南大学吴海龙课题组：高效液相色谱指纹图谱结合化学计量学的白术有效成分分析及产地鉴别研究
该研究提出运用高效液相色谱-二极管阵列检测器（HPLC-DAD）结合化学计量学方法快速分析不同地区白术中12种活性成分含量并进行产地判别。首先，使用HPLC-DAD结合二阶校正算法（ATLD）对来自不同地区的白术中12种活性成分同时进行定性定量分析。利用“二阶优势”，12种化合物不仅在12.5 min内快速洗脱，而且还在色谱峰高度重叠的情况下实现了准确定性定量（平均回收率为80.8–109.9%），一系列品质因子参数均反映出所提方法的可行性。基于ATLD解析所得的12种活性成分和31种未校正成分的相对浓度值，使用偏最小二乘-判别分析法（PLS-DA）对不同地理来源的白术样本进行判别分析，三个地区的白术都有明显的聚类趋势，测试集的正确分类率可达90%。变量重要性投影（VIP）分析结果表明，紫丁香酚苷、白术内酯Ⅲ、白术内酯Ⅰ和苍术酮可作为白术产地判别的主要标志成分。一系列结果均证明了所建立模型的可靠性。该方法的建立有助于白术的临床使用和市场监管。
-
系统综述人工神经网络在食品加工过程中的建模应用
今天给大家介绍一篇由G. V. S. Bhagya Raj等人合作的，于近期发表在Critical Reviews in Food Science and Nutrition的一篇综述，文章中作者系统综述了ANN在食品加工等领域的应用进展并进行了展望。
-
基于多种智能传感技术的数据融合策略及其在金华火腿品质评价中的应用
该研究针对多种智能感知技术，包括电子鼻、电子舌和计算机视觉的模式识别，提出了一种新的距离-概率分类（distance-probability classification，DPC）方法，并应用于不同老化时间下金华干腌火腿的分类评价，准确率可达到100%。同时进一步利用融合数据，建立了反向传播神经网络(BPNN)模型来预测老化时间并同时预测12种感官属性。BPNN模型在预测老化时间(R2 > 0.972)和感官属性(R2 > 0.935)方面表现出令人满意的性能。
-
Bioresource Technology：智能化的方法来可持续管理和利用食物废弃物
撰文：王雪洁 编辑：肖冉 介绍 今天介绍一篇由Zafar Said等人于2023年3月在线发表在Bioresource Technology（IF=11.89）上的文章。这篇文章主…
-
植物油中化学物质污染的安全风险评估和预警
今天介绍一篇由上海大学生命科学学院发表于Food Control的一篇文章。文中针对中国的实际情况，分析了三种食用植物油的化学危害污染状况，通过建立多种膳食暴露评价模型，对食用植物油中的苯并芘、黄曲霉毒素B1和重金属进行了风险评价。在此基础上，对食用植物油化学危害的综合风险评价进行了研究，并利用AHP-BP方法建立了食用植物油化学危害程度的预测模型。
