Food Chemistry| 基于机器学习辅助研究：虾加工副产物中鲜味肽与苦味肽的酶特异性释放动力学
近日，西南大学团队在《Food Chemistry》期刊上发表了题为《Enzyme-specific release dynamics of umami and bitter peptides from shrimp processing by-products: a machine learning-aided study》的研究性论文（一区，IF：9.8）。该研究联合虚拟水解、机器学习与实验验证，系统探究风味酶与菠萝蛋白酶水解虾加工副产物过程中鲜味肽与苦味肽的释放规律，分析了水解度、分子量分布、氨基酸组成、肽谱及味觉特征，揭示风味酶因兼具内切与外切酶活性，可高效释放鲜味肽并持续降解苦味肽，使水解产物鲜味更强、苦味更弱。这一发现为虾副产物定向制备鲜味肽及高值化利用提供了理论依据。
近年来全球虾类消费量持续增长，养殖产量已超 550 万吨，但其加工过程会产生占总重 35%–50% 的副产物（虾头、虾壳），全球年产量达 600–800 万吨。这类副产物蛋白含量高达 30%–40%，是制备生物活性肽与呈味肽的优质原料，通过酶解实现高值化利用是发展循环生物经济的重要途径。
鲜味肽是分子量 200–3000 Da 的小分子肽，鲜味阈值低于味精，可激活鲜味受体、掩盖苦味，还能增强咸味感知、助力减盐食品开发。虾副产物水解物富含谷氨酸、天冬氨酸等鲜味氨基酸与鲜味肽，极具开发潜力，但目前从虾副产物中定向制备鲜味肽的研究仍较少。
传统鲜味肽研究存在释放效率低、动态释放机制不清晰等问题。随着计算生物学与人工智能发展，虚拟预测结合实验验证成为高效研究范式，机器学习模型也已用于鲜味肽预测，但特定酶对鲜味肽与苦味肽的酶解释放动力学、基于机器学习预测虾副产物呈味肽的构效关系仍不明确，制约了鲜味肽的定向制备与虾副产物的高值利用。
基于此，本研究采用虚拟水解、机器学习与实验结合的策略，系统比较风味酶与菠萝蛋白酶水解虾副产物过程中鲜味肽和苦味肽的动态释放规律，明确不同酶对呈味肽释放的特异性，为虾加工副产物定向制备高鲜味、低苦味调味肽提供理论与方法支撑。
风味酶和菠萝蛋白酶水解虾副产物的效率存在显著差异，风味酶因同时具有内切与外切酶活性，水解度远高于菠萝蛋白酶，水解 7 h 时风味酶组水解度达到 33.3%，而菠萝蛋白酶组仅为 8.4%，且风味酶在水解后期因外切酶作用出现二次上升趋势，整体蛋白降解更充分。
两种酶水解均能提高小分子肽占比，但风味酶效果更突出，水解 7 h 后小于 1 kDa 的肽段比例达到 89.17%，显著高于菠萝蛋白酶的 76.02%，同时大分子肽段占比明显下降，小分子肽是鲜味提升的关键结构基础，说明风味酶更有利于生成鲜味导向的肽段分布。
随着水解时间延长，两组水解物的鲜味氨基酸（谷氨酸、天冬氨酸）含量均上升，苦味氨基酸含量下降，风味酶组变化幅度更显著。LC-MS/MS 鉴定结果显示，风味酶产生的肽段总数远高于菠萝蛋白酶，且对胶原蛋白、血蓝蛋白等蛋白的酶切位点更丰富、覆盖更均匀。
电子舌与感官评价结果一致表明，风味酶水解产物的鲜味和咸味更强、苦味更弱，且鲜味随水解时间持续增强，苦味持续降低；菠萝蛋白酶组整体鲜味偏低、苦味偏高。PLSR 分析显示，鲜味和咸味与水解度、小于 1 kDa 肽段呈显著正相关，苦味与大于 1 kDa 肽段呈正相关。
基于 XGBoost 与随机森林模型分别建立鲜味肽和苦味肽预测模型，结果显示风味酶在水解过程中持续大量释放鲜味肽，同时不断降解苦味肽，鲜味肽与苦味肽平均数量比值高达 4.57，远高于菠萝蛋白酶的 2.61，从分子层面证实风味酶更适合定向制备高鲜味、低苦味的虾副产物水解肽。
机器学习筛选出的高置信度鲜味肽多富含天冬氨酸和谷氨酸，部分肽段以酸性氨基酸为末端，主要来源于表皮蛋白、钙结合蛋白和血蓝蛋白，这类结构特征有利于激活鲜味受体，为虾副产物鲜味肽的精准制备提供了靶点依据。
Fig. 1. DH curves of protein hydrolysates from shrimp by-products prepared by Flavourzyme and bromelain. Different letters indicate significant differences among different treatment groups (P
Fig. 2. Molecular weight distribution of protein hydrolysates catalyzed by Flavourzyme (A) and bromelain (B).
Fig. 3. Peptigram profiles of collagen (A) and hemocyanin (B) under different enzymatic hydrolysis times, where ‘F' and ‘B' denote Flavourzyme and bromelain-treated hydrolysis, respectively. The subsequent numeral (0.5–7) indicates the hydrolysis time in hours. The height and intensity of the green bars represent the number of peptides and the total intensity of overlapping peptides at this position. (For interpretation of the references to color in this figure legend, the reader is referred to the web version of this article.)
Fig. 4. PCA bi-plots of E-tongue data of protein hydrolysates from shrimp by-products at different enzymatic times, where ‘F' and ‘B' denote Flavourzyme and bromelain hydrolysis, respectively, and the subsequent numeral (0.5–7) indicates the hydrolysis time in hours.
Fig. 5. The sensory evaluation data of protein hydrolysates from shrimp by-products treated with Flavourzyme (A) and bromelain (B). Different letters indicate significant differences among different treatment groups (P
Fig. 6. Partial least squares regression (PLSR) loading plot of correlation between molecular weight of protein hydrolysates and sensory attributes (saltiness, umami and bitterness). Note: E represents electronic tongue and H represents human sensory evaluation.
Fig. 7. ROC curves of machine learning models for umami and bitter peptides. Panels A-D correspond to models trained/evaluated on umami peptides (A) Gradient Boosting Decision Tree (GBDT), (B) Light Gradient Boosting Machine (LGBM), (C) Random Forest (RF), and (D) eXtreme Gradient Boosting (XGB). Panels E-H correspond to models for bitter peptides: (E) GBDT, (F) LGBM, (G) RF, and (H) XGB.
科学需要严谨，我们努力呈现准确内容，但疏漏难免。若您发现任何问题，请联系我们完善，共同推动知识传播！
欢迎广大读者们对本文以及食品风味感知创新团队提出您的宝贵意见
