《Current Research in Food Science》：AI-Driven Prediction of Bitterness and Sweetness and Analysis of Receptor Interactions
編輯推薦：
理解甜味和苦味分子機制對鑒定化合物味覺特征至關重要。研究人員開發基于圖神經網絡（GNN）的 AI 模型預測苦味和甜味，模型 accuracy 超傳統方法。通過分子對接驗證，揭示配體 - 受體作用，為味覺預測和機制研究提供新框架。
味覺感知是生命體識別營養與危險的重要能力，人類通過甜味感知能量豐富的食物，通過苦味警惕潛在毒素。然而，揭開甜味與苦味背后的分子機制一直是科學界的難題。傳統計算模型依賴預設分子描述符，存在特征選擇偏差，且難以直觀揭示化合物結構與味覺感知的內在聯系。如何從分子結構直接預測味覺特征，并解析其與受體的相互作用機制，成為食品、醫藥等領域亟待突破的關鍵科學問題。
為攻克這一挑戰，研究人員開展了基于圖神經網絡（Graph Neural Network, GNN）的人工智能模型構建研究，旨在實現對苦味和甜味的精準預測，并深入解析其分子機制。相關成果發表在《Current Research in Food Science》。
研究中使用的關鍵技術方法包括：
- 數據集構建：收集苦味、非苦味、甜味、非甜味化合物數據集，排除數據矛盾或信息不明確的分子，訓練集與測試集劃分參考公開數據資源。
- GNN 模型開發：利用開源 cheminformatics 庫 kMoL 構建基于 GNN 的預測模型，輸入為分子圖結構，結合多層感知機（MLP）學習分子特征，并與基于擴展連接指紋（ECFP）的 MLP 模型對比。
- 模型解釋與驗證：采用集成梯度（Integrated Gradients）方法可視化影響預測的分子特征，通過分子對接模擬（AutoDock Vina）驗證配體與味覺受體（苦味受體 TAS2R16、甜味受體 TAS1R2）的相互作用，受體結構來源于 AlphaFold 蛋白質結構數據庫。
3.1 模型性能
構建的 GNN 模型在苦味和甜味預測中表現優異�？辔额A測的 F1 分數達 0.838-0.850，與傳統方法相當；甜味預測的 F1 分數最高達 0.822，超越基于分子描述符的模型。GNN 直接從分子結構中學習特征，避免了傳統方法依賴預設描述符的偏差，且通過可視化技術揭示了模型決策依據。
3.2 結構洞察
- 苦味配體 - 受體相互作用：以水楊苷、4-NP-β- 甘露糖苷、己基 -β- 葡萄糖苷為例，分子對接顯示其與 TAS2R16 受體形成氫鍵（如水楊苷與 Q177 殘基）。集成梯度可視化表明，參與氫鍵形成的 - OH 基團等原子在預測中貢獻顯著（紅色高亮），模型無需受體信息即可識別關鍵結構特征。
- 甜味配體 - 受體相互作用：阿斯巴甜和三氯蔗糖與 TAS1R2 受體的對接結果顯示，二者通過氫鍵與 K65、D142、S165 等關鍵殘基結合�？梢暬Y果表明，參與氫鍵的原子在甜味預測中起重要作用，且模型識別出非氫鍵相關原子對甜味的貢獻。
4. 結論與討論
本研究開發的基于 GNN 的 AI 模型，實現了從分子結構直接預測苦味和甜味，精度優于或接近傳統機器學習方法。通過集成梯度可視化與分子對接驗證，揭示了配體與受體相互作用的關鍵分子特征，為味覺感知的分子機制提供了新見解。該方法無需依賴預設分子描述符，減少了人為偏差，且通過可視化技術增強了模型可解釋性，為食品添加劑開發、藥物口感優化等領域提供了創新工具。盡管研究未涉及其他味覺模態（如咸味、酸味），但其框架為擴展至更多味覺預測奠定了基礎。未來可進一步探索模型在復雜生物體系中的應用，深化對味覺感知網絡的理解，推動精準食品科學與藥物研發的發展。
