ESMR4FBP:基于pLM的回归预测模型,用于食品衍生的特定特性,优化了多个生物元元听算法
Ruihao Zhang1, Yonghui Li2, Qinbo Jiang3
1College of Biosystems Engineering and Food Science, Zhejiang University, Hangzhou 310058, PR China; Future Food Laboratory, Innovation Center of Yangtze River Delta, Zhejiang University, Jiaxing 314100, PR China.
Food chemistry
|November 7, 2024
概括
这项研究开发了一个人工智能模型来预测性质,提高准确性并降低食品安全应用的成本. 这种新的方法将ESM-2与LSTM和元启发学集成在一起,优于现有的方法.
科学领域:
- 食品科学 食品科学 食品科学
- 生物信息学是一种生物信息学.
- 人工智能的人工智能
背景情况:
- 对食品安全的日益重视推动了对食品来源的类研究.
- 确定性质的传统方法昂贵且耗时.
- 现有的人工智能 (AI) 模型用于性质预测,往往缺乏足够的准确性.
研究的目的:
- 开发一种新的AI回归模型,用于准确的性质预测.
- 提高食品科学中类分析的成本效益和效率.
- 为了提高现有的最先进的 (SOTA) 预测模型的准确性.
主要方法:
- 将ESM-2模型与长短期存储器 (LSTM) 架构集成.
- 使用三个元启发式算法优化集成模型结构:鱼优化算法 (WOA),正弦共弦算法 (SSA) 和哈里斯霍克斯优化 (HHO).
- 使用抗氧化三和苦数据集对模型的验证.
主要成果:
- 开发的模型在抗氧化三数据集上获得了0.9458的R2和0.3135的RMSE.
- 抗氧化三数据集的性能在R2中超过了SOTA模型的11.66%,在RMSE中超过了50.00%.
- 在苦数据集上,该模型的R2值为0.8385和RMSE值为0.4414.
结论:
- 开发的AI模型显示了用于准确预测各种性质的巨大潜力.
- 集成ESM-2,LSTM和元启发优化为分析提供了一种强大的方法.
- 这一进步可以有助于更有效和更具成本效益的食品安全评估和研究.
