从可测量的蛋白质结构特征预测功能性能的机器学习方法:蛋白质成分质量的选工具

科学领域:

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

背景情况:

• 食品工业越来越多地使用专门的蛋白质成分进行凝,加厚和乳化. 蛋白质结构显著影响这些功能性质,但这种关系是复杂的.
• 了解蛋白质结构和功能之间的联系对于开发新型食品成分至关重要. 传统方法可能耗时,可能无法捕捉复杂的相互作用.
• 植物性蛋白质作为可持续的替代品越来越受欢迎,因此需要有效的方法来描述它们的功能.

研究的目的:

• 开发和评估机器学习 (ML) 模型,用于预测植物蛋白的关键功能性质.
• 确定蛋白质溶解性,乳化活性,乳化能力和凝强度的最有影响力的结构预测因素.
• 评估ML算法在模拟植物蛋白的结构功能关系方面的性能.

主要方法:

• 利用各种ML算法,包括基于高斯的支持向量的回归,来预测蛋白质的功能.
• 采用了结构预测因素,如表面疏水性,泽塔潜力,未变质蛋白质含量,水容量,可溶性蛋白质聚合物含量和β片含量.
• 使用R2,平均绝对误差 (MAE) 和根平均平方误差 (RMSE) 评估模型性能,确保不违反物理约束.

主要成果:

• 基于高斯的支向量回归模型在预测溶解度 (R2=0.8906),乳化活性指数 (R2=0.7383),乳化容量 (R2=0.7978) 和凝强度 (R2=0.8822) 方面表现出很高的准确性.
• 特定的结构特征被确定为不同功能性质的关键预测因素:表面水性,泽塔潜力和未变质的蛋白质含量可溶性和乳化活性;表面水性,可溶性和未变质的蛋白质含量可乳化能力;溶性,未变质的蛋白质含量,持水能力,可溶性蛋白质聚合物含量和β-片含量可凝强度.
• 该研究证实了ML在从有限的宏分子结构特征中预测植物蛋白功能方面的潜力.

结论:

• 机器学习算法提供了一种强大而高效的方法来预测植物蛋白的功能.
• 基于结构特征的预测模型可以在食品工业中对蛋白质成分的选择和应用提供重大帮助.
• 这些ML工具可以通过准确预测蛋白质行为来简化成分开发和优化食品配方.