从预测到设计:使用可解释的深度学习,量子化学模拟和模块替换来揭示乌玛米的机制

科学领域:

• 食品科学 食品科学 食品科学
• 计算生物学 计算生物学
• 生物化学 生物化学

背景情况:

• 乌玛米味道是食物中至关重要的感官属性.
• 由于复杂的选和设计流程,开发新的乌玛米具有挑战性.
• 现有的设计方法缺乏效率和预测能力.

研究的目的:

• 使用先进的计算策略,选和设计新的乌玛米.
• 开发一个高度准确的深度学习模型来预测的乌玛米味道.
• 阐明乌玛米味道和设计背后的分子机制.

主要方法:

• 开发一个深度学习模型,整合预培训,增强功能和对比学习.
• 虚拟水解和模型预测用于初始选.
• 感官评估和分子对接用于验证和机制阐明.
• 针对性质设计和修改的模块替代策略.

主要成果:

• 深度学习模型的预测准确率为0.94,比现有模型的预测准确率高出2-9%.
• 确定了几种新的乌玛米 (例如,EN,ETR,GK4) 具有乌玛米味道和MSG协同效应.
• 模块替代有效地将苦改造成乌玛米.
• 分子对接揭示了设计与T1R1/T1R3受体的增强结合和疏水相互作用.

结论:

• 这项研究提供了一种有效的计算工具,用于快速发现和设计乌玛米.
• 关键的氨基酸 (D,E,Q,K,R) 对于乌玛米的味觉感知至关重要.
• 这些发现扩大了对乌玛米味道机制和设计原理的理解.
• 这种方法有助于开发新的味成分.