UmamiPreDL:使用BERT和CNN预测的乌玛米味道深度学习模型
Arun Pandiyan Indiran1, Humaira Fatima1, Sampriti Chattopadhyay2
1ITC Life Sciences and Technology Centre, Peenya Industrial Area, 1st Phase, Bengaluru 560058, India.
Computational biology and chemistry
|June 1, 2024
概括
像ProtBert和ESM2这样的新生物序列转换器显著改善了乌玛米味道的预测. ProtBert-CNN模型实现了95%的准确性,推进了食品科学和成分发现.
科学领域:
- 食品科学 食品科学 食品科学
- 计算化学计算化学
- 生物信息学是一种生物信息学.
背景情况:
- 乌玛米味道是食物偏好和选择的关键驱动力.
- 准确预测乌玛米味道对于食品行业来说是有价值的.
- 现有的模型使用传统的分子描述符,精度有限.
研究的目的:
- 探索使用先进的生物序列转换器来预测乌玛米味道.
- 开发和评估包含这些变压器的新型模型架构.
- 与现有方法相比,提高预测乌玛米味道的准确性.
主要方法:
- 使用生物序列转换器 (ProtBert,ESM2) 在Uniref数据库上训练,作为特征编码器.
- 通过将两个编码器与两个分类器结合起来,开发了四个不同的模型架构.
- 使用5倍交叉验证和独立数据测试进行绩效评估.
主要成果:
- 在四种架构中,ProtBert-CNN模型表现出了卓越的性能.
- 在5倍交叉验证数据上达到95%的准确性.
- 在独立测试数据上获得了94%的准确性,超过了之前的基准.
结论:
- 生物序列转换器为预测乌玛米味道提供了一种强大的方法.
- ProtBert-CNN模型在乌玛米味道预测准确度方面取得了重大进展.
- 这种方法有望加速发现增强乌玛米的成分.


