【技術實現步驟摘要】
本專利技術屬于化合物風味閾值檢測，尤其涉及到一種基于分子構效建立預測化合物風味閾值的方法。
技術介紹
1、化合物風味閾值是衡量化合物對風味影響的重要參數，對于食品、飲料等相關行業具有重要意義。然而，目前測定化合物風味閾值的方法主要依賴于感官評價，不僅耗時費力，而且易受到實驗條件和個體差異的影響。因此，尋求一種準確、快速、高效的化合物風味閾值預測方法具有重要實際意義。
2、風味化合物閾值是指在食品中，某種風味化合物的濃度達到一定程度時，人們能夠感知到該化合物所產生的風味。這個閾值因化合物的種類、樣品的基質以及嗅覺感知者的個體差異而異。在食品科學領域，風味化合物閾值的研究具有重要意義。通過了解不同風味化合物的閾值，可以幫助食品生產商更好地調整食品的配方，以滿足消費者的口感需求。
3、風味化合物閾值的確定一直是風味研究的難點。這主要因為閾值受多種因素影響，化合物的性質對其風味閾值的影響尤其顯著。首先，化合物的化學結構決定了其物理及化學性質，這些性質可能影響其風味。例如，一些化合物可能具有較強的極性，這可能導致它們在嗅覺受體上的結合能力較強，從而具有較低的閾值。其次，化合物的溶解性會影響其在嗅覺受體上的暴露及結合。溶解性較高的化合物可能更容易被嗅覺受體感知，從而具有較低的閾值?；衔镌诩訜徇^程中的穩定性也會影響其風味。熱穩定性較差的化合物可能在加熱過程中分解或失去風味，從而影響其閾值。另外，酸堿性、分子量及揮發性均會影響化合物的風味閾值?？傊?，化合物的性質對其風味閾值具有重要影響。綜上所述在研究風味閾值時，需要綜
技術實現思路
1、本專利技術提供了一種基于分子結構基于分子構效模型預測化合物風味閾值的方法，該方法利用分子結構信息建立分子構效模型，能夠快速、準確地預測化合物的風味閾值，為相關風味研究提供有力支持。同時，該方法脫離了原料及工藝的影響，在化合物分子信息與風味閾值之間建立模型，以滿足閾值預測的需求，為開發預測風味化合物閾值的工具提供了新的方向。
2、為了達到上述目的，本專利技術提供了一種基于分子結構基于分子構效模型預測化合物風味閾值的方法，包括以下步驟：
3、從asbc數據庫中收集啤酒風味化合物及其相應的風味閾值，取其幾何平均值的對數，建立風味物質數據庫；
4、將上述風味物質數據庫導入分子構效平臺，提取與化合物風味閾值相關的特征，并將其作為變量輸入到初級啤酒風味閾值預測模型中，獲得預處理數據集；
5、選擇偏最小二乘算法進行模型訓練，并將預處理數據集劃分為訓練集和測試集，使用訓練集訓練模型，優化模型參數和特征選擇，使用測試集對訓練后的模型進行模型評估，優化模型預測性能，以構建用于分析的最終啤酒風味閾值預測模型；
6、將待測化合物的特征信息輸入預測模型，得到相應的風味閾值預測分析結果。
7、在上述方案中，可以理解的是，通常使用的分子構效平臺包括但不限于moe、chemopy和mordred平臺。其中，moe是chemical公司發布的商業軟件，可以計算206個二維的計算組(ccg)描述符，二維分子描述符是從連接表評估的數值屬性。moe按物理性質表示分子，細分表面積、原子數、鍵數、kier和hall連通性和kshape指數、鄰接和距離矩陣包含bcut和gcut描述符、藥效團的描述符特征描述符和部分電荷描述符。chemopy是一個免費提供的開源python包python中命名為chemoinformatics可以生成常見的結構和物理化學描述符，包括構成描述符，拓撲描述符，連通性指數、電荷描述符、分子性質等。mordred是一個開發的描述符計算軟件，可以計算超過1800個二維和三維的應用程序，描述符2d描述符包括鄰接矩陣、芳香族、原子數、自相關、碳類型等。演示服務器可在http://mordred.phs.osaka-u.ac.jp。可以從首頁上傳smiles。
8、作為優選，從asbc數據庫中收集啤酒風味物質及其相應的風味閾值，具體為：
9、從美國釀造化學家學會(asbc)風味數據庫中收集含有風味閾值信息的126個化合物，構建數據集，刪除重復分子以及肽、鹽離子及原子數少于3類的分子；
10、將被保留在數據集中的化合物從pubchem獲得簡化分子輸入線輸入系統smiles字符串和化學抽象服務編號cas，然后使用化學標識符解析程序檢查smiles。
11、作為優選，所述與化合物風味閾值相關的特征包括但不限于分子式、分子量、原子類型、原子個數、分子形狀、溶解性、熱穩定性、酸堿性、揮發性、鍵長、鍵角、鍵能、頂點數、邊數、環結構、原子電荷、原子孤對電子密度、電子密度、相對分子質量、沸點、溶解度、官能團中的至少一種。
12、作為優選，使用訓練集訓練模型具體為：
13、將數據集劃分為10個大小相似的互斥子集，然后保留一個子集并在所有其他子集上訓練模型，在保留的子集上測試模型并記錄預測誤差，重復此過程，直到10個子集中的每一個子集都用作測試集
14、作為優選，使用測試集對訓練后的模型進行模型評估具體為：
15、采用10倍交叉驗證對訓練后的模型進行模型評價，根據分層抽樣將所有個體分為訓練集和測試集，代表化合物總數75％的數據被分配給訓練集，剩下的25％的數據被分配給測試集；其中，
16、使用相關指數r2和均方根誤差rmse作為評價指標，將10次實驗的評估結果進行平均，作為模型的性能評估結果。
17、作為優選，所述預測性能選自準確性＞80％、精確度＞0.9、召回率＞80％中的至少一種性能指標。
18、作為優選，在模型訓練過程中，出現過擬合、欠擬合情況下，需要優化參數和特征選擇。
19、作為優選，特征選擇選擇方法選自過濾式、包裹式和嵌入式中的至少一種。
20、作為優選，啤酒風味閾值的真實值與基于啤酒風味閾值預測模型獲得的預測值的擬合曲線為y＝0.937689(1000logth)-11.2242，r2＝0.9376。
21、作為優選，采用準確率評價時，其計算公式：
22、準確率＝1-(誤差絕對值/預測值)×100％＝1-(∣實際值-預測值∣/預測值)×100％。
23、與現有技術相比，本專利技術的優點和積極效果在于：
24、1、本專利技術利用分子結構信息建立分子構效模型，能夠快速、準確地預測化合物的風味閾值，為相關風味研究提供有力支持。實驗采用偏最小二乘算法，利用公開數據集進行模型訓練與驗證，實驗結果表明，本方法對于風味化合物閾值的預測具有較高的準確性及穩定性。
25、2、本專利技術完全本文檔來自技高網...
【技術保護點】
1.一種基于分子構效模型預測化合物風味閾值的方法，其特征在于，包括以下步驟：
2.根據權利要求1所述的方法，其特征在于，從ASBC數據庫中收集啤酒風味物質及其相應的風味閾值，具體為：
3.根據權利要求1所述的方法，其特征在于，所述與化合物風味閾值相關的特征包括但不限于分子式、分子量、原子類型、原子個數、分子形狀、溶解性、熱穩定性、酸堿性、揮發性、鍵長、鍵角、鍵能、頂點數、邊數、環結構、原子電荷、原子孤對電子密度、電子密度、相對分子質量、沸點、溶解度、官能團中的至少一種。
4.根據權利要求1所述的方法，其特征在于，使用訓練集訓練模型具體為：
5.根據權利要求1所述的方法，其特征在于，使用測試集對訓練后的模型進行模型評估具體為：
6.根據權利要求1所述的方法，其特征在于，所述預測性能選自準確性＞80％、精確度＞0.9、召回率＞80％中的至少一種性能指標。
7.根據權利要求1所述的方法，其特征在于，在模型訓練過程中，出現過擬合、欠擬合情況下，需要優化參數和特征選擇。
8.根據權利要求1所述的方法，其特征
9.根據權利要求1-8任一項所述的方法，其特征在于，啤酒風味閾值的真實值與基于啤酒風味閾值預測模型獲得的預測值的擬合曲線為Y＝0.937689(1000logTH)-11.2242，R2＝0.9376。
10.根據權利要求9所述的方法，其特征在于，采用準確率評價時，其計算公式：
...【技術特征摘要】
1.一種基于分子構效模型預測化合物風味閾值的方法，其特征在于，包括以下步驟：
2.根據權利要求1所述的方法，其特征在于，從asbc數據庫中收集啤酒風味物質及其相應的風味閾值，具體為：
3.根據權利要求1所述的方法，其特征在于，所述與化合物風味閾值相關的特征包括但不限于分子式、分子量、原子類型、原子個數、分子形狀、溶解性、熱穩定性、酸堿性、揮發性、鍵長、鍵角、鍵能、頂點數、邊數、環結構、原子電荷、原子孤對電子密度、電子密度、相對分子質量、沸點、溶解度、官能團中的至少一種。
4.根據權利要求1所述的方法，其特征在于，使用訓練集訓練模型具體為：
5.根據權利要求1所述的方法，其特征在于，使用測試集對訓練后的模型進行模型評估具體為：...
【專利技術屬性】
技術研發人員：尹花，陳華磊，楊朝霞，胡淑敏，閆鵬，史雅琦，李梅，王劍鋒，邵淑萍，
申請(專利權)人：青島啤酒股份有限公司，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。