1. 论文基本信息

1.1. 标题

鲜味肽筛选与评估的研究进展 (Research progress in the screening and evaluation of umami peptides)

1.2. 作者

Lulu Qi, Xinchang Gao, Daodong Pan, Yangying Sun, Zhendong Cai, Yongzhao Xiong, Yali Dang

隶属机构：

• Lulu Qi, Daodong Pan, Yangying Sun, Zhendong Cai, Yongzhao Xiong, Yali Dang: State Key Laboratory for Managing Biotic and Chemical Threats to the Quality and Safety of Agro-Products, College of Food and Pharmaceutical Sciences, Ningbo University, Ningbo, Zhejiang, China
• Xinchang Gao: Department of Chemistry, Tsinghua University, Beijing, China
• Daodong Pan: National R&D Center for Freshwater Fish Processing, Jiangxi Normal University, Nanchang, Jiangxi, China

1.3. 发表期刊/会议

该论文发表于期刊，但原文未直接给出具体期刊名称，通常此类综述文章会发表在食品科学或生物技术相关的高影响力期刊上。根据引用风格和内容，推测为食品科学领域的专业期刊。

1.4. 发表年份

根据摘要和参考文献，论文可能发表于 2022年 或 2023年（大部分参考文献为2020-2022年）。

1.5. 摘要

鲜味 (Umami) 是影响食物风味的重要元素，鲜味肽 (umami peptides) 的开发是食品调味研究中的一个热点。然而，传统的鲜味肽筛选技术耗时费力，难以满足高通量筛选 (high-throughput screening) 的要求，这限制了鲜味肽的快速发展。另一个限制鲜味肽发展的难题是鲜味强度 (umami intensity) 标准测量方法的缺失，现有方法不够灵敏和特异，难以实现鲜味的标准评估。本综述总结了鲜味受体 (umami receptors) 和鲜味肽，重点关注了限制鲜味肽发展的瓶颈问题——高通量筛选和评估标准的建立。文中指出，基于分子对接 (molecular docking) 技术和机器学习 (machine learning) 方法可以实现鲜味肽的快速筛选，而利用仿生味觉传感器 (bionic taste sensor) 可以实现鲜味的标准评估。快速筛选和评估方法的进展显著推动了鲜味肽的研究，并增加了其在调味品行业的应用。

1.6. 原文链接

/files/papers/691070a7225ca3f7dfa3c995/paper.pdf 状态：PDF文档已提供。

2. 整体概括

2.1. 研究背景与动机

• 论文试图解决的核心问题：
  1. 鲜味肽筛选效率低下： 传统的鲜味肽筛选方法（如柱层析分离纯化）耗时、费力，且通量低，难以满足食品工业对高效率、大规模筛选鲜味肽的需求。
  2. 鲜味强度评估缺乏标准化： 缺乏对鲜味强度进行标准、灵敏和特异性测量的统一方法，导致对鲜味肽的开发和应用受限。
• 为什么这个问题在当前领域是重要的：
  • 鲜味的重要性： 鲜味是五种基本味觉之一，对食物风味和愉悦感至关重要，并具有改善饮食失调、增加食欲等功能。
  • 鲜味肽的优势： 鲜味肽不仅具有高营养价值和风味活性，能赋予食物美味、增强鲜味和醇厚感，还能与其他物质协同作用，减少盐和味精 (MSG) 的摄入，甚至能掩盖或减弱苦味。这使其在调味品、健康食品开发中具有巨大潜力。
  • 现有挑战： 缺乏有效的筛选和评估手段成为制约鲜味肽工业化发展和广泛应用的关键瓶颈。
• 这篇论文的切入点或创新思路：
  • 本文综述了鲜味肽领域面临的这两个关键瓶颈，并着重介绍了如何利用新兴技术（如计算化学和生物传感）来克服这些挑战。
  • 切入点在于强调通过引入高通量筛选（分子对接、机器学习）和标准化评估（仿生味觉传感器）技术，来加速鲜味肽的发现、鉴定和应用。

2.2. 核心贡献/主要发现

• 对鲜味受体和鲜味肽进行了全面总结： 概述了已知的鲜味受体（T1R1/T1R3、mGluR1、mGluR4）及其作用机制，以及鲜味肽的优势、来源和结构-活性关系 (structure-activity relationship)。
• 明确指出了鲜味肽开发面临的两个主要限制： 即高通量筛选的困难和缺乏标准化的鲜味强度评估方法。
• 提出了解决高通量筛选瓶颈的先进方法：
  • 分子对接 (molecular docking)： 介绍其原理及其在预测鲜味肽与受体结合机制和筛选潜在鲜味肽中的应用。
  • 机器学习 (machine learning)： 阐述其在从肽序列信息中预测和筛选生物活性肽（包括鲜味肽）方面的潜力，并探讨了数据限制下的解决方案。
• 提出了解决鲜味强度评估瓶颈的标准化方法：
  • 仿生味觉传感器 (bionic taste sensor)： 详细介绍了其工作原理、组成（生物功能元件和微纳传感器）及分类（基于酶、味觉组织、细胞、受体），并强调其在灵敏度、响应时间和特异性方面的优势。
• 强调这些进展对鲜味肽领域的推动作用： 认为这些快速筛选和评估方法的进步将显著促进鲜味肽的研究，并增加其在调味品行业的应用，为味觉肽的系统性研究指明了方向。

3. 预备知识与相关工作

3.1. 基础概念

• 鲜味 (Umami)： 被描述为一种令人愉悦的咸味或肉味，是继甜、咸、酸、苦之后被普遍接受的第五种基本味觉。它通常指示食物中蛋白质的存在（如氨基酸），在改善饮食失调和增加食欲方面具有功能。
• 鲜味受体 (Umami Receptor)： 感受鲜味分子的生物分子，主要包括：
  • T1R1/T1R3： 一种异二聚体 (heterodimer) G蛋白偶联受体 (G protein-coupled receptors, GPCRs)，由T1R1和T1R3亚基组成。对L-氨基酸（如谷氨酸、天冬氨酸、茶氨酸）敏感，5'-核苷酸 (5'-ribonucleotides) 可显著增强其鲜味刺激。T1R1亚基主要负责识别鲜味物质，T1R3亚基则负责其他辅助功能，并在甜味和鲜味受体中共享。
  • 代谢型谷氨酸受体 (Metabotropic Glutamate Receptor, mGluR)：
    • mGluR4： 最初被发现是鲜味受体，其截短变体具有鲜味功能。主要存在于舌头后部。
    • mGluR1： 脑表达的mGluR1的截短体也被证实是鲜味受体，与mGluR4结构相似。
  • G蛋白偶联受体 (GPCRs)： 一类跨膜受体蛋白，通过与G蛋白偶联，将细胞外信号传递到细胞内。鲜味受体属于C类GPCRs，其特征是通过大的N端胞外结构域 (extracellular domain, ECD) 进行同源或异源二聚化。
  • 受体结构域：
    • 维纳斯捕蝇草结构域 (Venus flytrap domain, VFTD)： 受体的胞外区域，负责配体结合和物质识别。
    • 富含半胱氨酸结构域 (Cysteine-rich domain, CRD)： 连接VFTD和跨膜区 (transmembrane region, 7TM)，并传递VFTD结构变化产生的信号。
    • 7次跨膜区 (7TM)： 跨膜区域，负责信号转导。
• 鲜味肽 (Umami Peptides)： 从动物和植物蛋白质中提取或酶解得到的具有鲜味或鲜味增强作用的肽段。
  • 优势： 具有良好的适口性、复杂的风味、多种生物功能（如抗氧化、降压），可增强食物的鲜味和醇厚感，减少盐和味精的摄入，并能掩盖苦味。
  • 结构-活性关系 (Structure-Activity Relationship)： 鲜味强度与肽的分子量、氨基酸组成和排列方式有关。通常是小分子量肽（<3000 Da），特别是4-6个氨基酸残基的短肽。通常含有1-2个谷氨酸 (Glu) 和天冬氨酸 (Asn) 等酸性基团，或Tyr, Gly, Thr, Phe, Asp等亲水性氨基酸残基。C端为酸性氨基酸且N端为碱性氨基酸的二肽通常具有鲜味。
• 分子对接 (Molecular Docking)： 一种计算方法，用于预测小分子（配体）与大分子（受体）之间的结合模式和结合强度。广泛应用于结构分子生物学和基于结构的药物设计。
• 机器学习 (Machine Learning)： 一种人工智能系统，能够独立从数据中学习和整合知识，用于生成新分子、预测其特性和活性。
• 电子舌 (Electronic Tongue)： 一种模仿人类味觉器官的客观味觉评估装置，通常使用合成材料（如聚合物、半导体、脂质膜）作为敏感元件。
• 仿生味觉传感器 (Bionic Taste Sensor)： 一种结合生物敏感元件（如人类味觉受体、酶、细胞等）和微纳传感器作为次级转导器的新型味觉传感器，旨在实现高灵敏度、高特异性的味觉评估。

3.2. 前人工作

• 鲜味受体的发现： 2000年 Chaudhari 等人首次发现代谢型谷氨酸受体mGluR4是鲜味受体，使鲜味被普遍接受为基本味觉。2002年，T1R1/T1R3也被确认为鲜味受体。
• 经典鲜味物质： 味精 (Monosodium Glutamate, MSG) 是第一个被报道具有鲜味特性的分子。随后，鸟苷酸 (Guanosine Monophosphate, GMP)、肌苷酸 (Inosine Monophosphate, IMP)、琥珀酸二钠 (Disodium Succinate, WSA) 等也被发现具有鲜味。
• 鲜味肽的传统筛选： 经典的鲜味肽筛选方法主要依赖于柱层析 (column chromatography) 进行分离纯化，然后进行感官评价和序列鉴定（如Edman降解或质谱）。这种方法耗时且昂贵，限制了鲜味肽的工业化发展。
• 早期分子对接应用： Lopez Cascales et al. (2010) 基于mGluR1构建了L-Glu与T1R1/T1R3的配体-受体复合结构，并通过分子动力学模拟研究了其结合机制。Dang et al. (2014) 也发现鲜味肽存在类似的闭合和开放构象。
• 早期机器学习应用： Charoenkwan et al. (2020) 提出了iUmami-SCM，一个基于序列的预测器，用于预测具有鲜味感官特性的肽。

3.3. 技术演进

鲜味肽的发现和评估经历了从传统湿法实验到现代计算和生物传感技术的演变：

• 传统阶段： 早期主要依靠人工酶解、多级色谱分离纯化、人工感官评价和Edman降解/质谱鉴定。这种方法虽然有效，但效率低下，难以应对大规模肽库筛选的需求。
• 计算辅助筛选阶段： 随着结构生物学和计算化学的发展，分子对接技术被引入，用于预测肽与鲜味受体的结合模式和强度，从而初步筛选出潜在的鲜味肽，大大缩短了实验周期。
• 数据驱动筛选阶段： 机器学习（尤其是深度学习）的兴起，使得从海量肽序列数据中预测和筛选具有特定功能（如鲜味）的肽成为可能，实现了更高通量的虚拟筛选。
• 标准化评估阶段： 针对感官评价主观性强、电子舌特异性低的缺点，仿生味觉传感器被开发出来，通过整合生物敏感元件，旨在实现更接近人体感受且标准化的鲜味强度评估。

3.4. 差异化分析

本文的工作与前人研究的主要区别在于：

• 聚焦瓶颈： 本文不仅综述了鲜味受体和鲜味肽，更重要的是，它明确指出了当前鲜味肽开发面临的两大核心瓶颈（高通量筛选和标准化评估），并系统地回顾了这些瓶颈的最新解决方案。
• 综合性方法论： 文章整合了计算方法（分子对接、机器学习）和生物传感技术（仿生味觉传感器），而非单一地介绍某种技术。它将这些技术视为一个系统化的发现和评估框架中的关键组成部分。
• 强调未来方向： 本文着重展望了如何结合这些新兴技术（如分子对接与机器学习的结合）来提高筛选准确性，以及如何改进仿生传感器以克服其现有局限性，从而实现鲜味肽研究的快速发展和工业应用。它提供了一个宏观的、面向未来的研究路线图。

4. 方法论

本章节将详细阐述论文中讨论的鲜味肽鉴定、筛选和鲜味强度评估的方法。

4.1. 肽段鉴定

4.1.1. 传统方法

传统的鲜味肽研究流程通常涉及以下步骤：

1. 酶解 (Enzymatic Hydrolysis)： 将蛋白质底物进行酶解，得到肽混合物。

2. 多级分离纯化 (Multi-stage Separation and Purification)： 利用多种色谱技术逐步分离和纯化肽段，如：

   • 膜分离 (Membrane Separation)
   • 凝胶过滤 (Gel Filtration)
   • 离子交换 (Ion Exchange)
   • 亲和层析 (Affinity Chromatography)
   • 反相高效液相色谱 (Reverse-phase High Performance Liquid Chromatography, RP-HPLC)

3. 感官评价 (Sensory Evaluation)： 对分离得到的组分进行感官评价，以筛选出鲜味强度最高的组分。

4. 序列鉴定 (Sequence Identification)： 最终利用Edman降解 (Edman degradation) 或质谱 (mass spectrometry, MS) 技术对具有鲜味的肽段进行序列鉴定。

   局限性： 这种传统方法耗时、昂贵，且效率低下。由于在逐步纯化过程中可能会遗漏一些具有较高鲜味强度的肽段，因此也存在遗漏潜在鲜味肽的风险。此外，蛋白质酶解产物通常包含数千种肽段，许多肽段具有相同的分子量或电荷数，使得分离纯化非常困难。

4.1.2. 新型方法

为了提高肽段鉴定的效率和通量，目前已发展出肽组学 (peptidomics) 和计算机模拟消化 (computer simulation digestion) 等新型方法。

4.1.2.1. 肽组学鉴定 (Identification of Peptides by Peptidomics)

肽组学是基于质谱技术发展起来的，为肽段的发现和鉴定提供了有效途径。

• 原理： 通过鸟枪法蛋白质组学 (shotgun proteomics) 技术，可以直接从酶解混合物中通过色谱分离，然后利用串联质谱 (tandem mass spectrometry, MS/MS) 生成肽段指纹图谱 (peptide fragment fingerprint)，从而鉴定肽段。

• 优势： 与主流的肽段鉴定方法相比，肽组学减少了劳动密集型的分离纯化工作，更全面地鉴定了酶解液中包含的肽段，降低了检测过程中遗漏鲜味肽的可能性。

• 局限性： 由于肽段数量庞大，需要结合生物信息学 (bioinformatics) 技术进行进一步筛选。

  以下是原文 Figure 1 中肽段鉴定过程的示意图：

  该图像是图示了图1中传统方法和新型方法筛选肽段的示意图，左侧为基于感官评价和色谱质谱分析的传统流程，右侧为基于蛋白质序列、计算机模拟消化及肽库构建的新型筛选流程。

4.1.2.2. 计算机模拟消化 (Peptides by Computer Simulation Digestion)

蛋白质水解是获得鲜味肽的常用方法，但酶的类型、浓度、处理条件和水解程度都会影响酶解产物的鲜味强度。计算机模拟酶解技术可以大大提高实验效率。

• 原理： 从NCBI蛋白质数据库获取原始蛋白质的氨基酸序列，然后利用计算机模拟蛋白酶消化过程，预测酶解产物中的肽段序列。
• 流程：

  1. 获取蛋白质序列 (Obtain Protein Sequence)： 从公共数据库（如NCBI）检索目标蛋白质的氨基酸序列。

  2. 选择酶 (Select Enzyme)： 选择模拟酶解的特异性蛋白酶（如胃蛋白酶、胰蛋白酶、糜蛋白酶）。

  3. 模拟酶解 (Simulate Digestion)： 根据酶的切割位点规则，通过计算机程序对蛋白质序列进行模拟切割，生成肽段序列库。

  4. 获得肽段序列 (Obtain Peptide Sequences)： 得到所有可能的模拟酶解肽段序列。

     优势： 显著缩短肽段鉴定时间，成本低。 局限性： 计算机模拟结果可能与实际情况不完全一致，需要通过实验验证。获得的肽段还需要通过生物信息学技术进一步筛选。

以下是原文 Figure 2 中计算机模拟酶解过程的示意图：

该图像是一个示意图，展示了通过数据库获取蛋白质序列并利用在线工具选择特定酶进行酶解，从而获得肽段序列的流程。

4.2. 鲜味肽筛选 (Screening of Umami Peptides)

随着高通量测序项目蛋白质数据的不断增加，潜在的鲜味肽数量迅速增长。为了从已鉴定的肽段中发现鲜味肽，传统方法主要依赖于结构-活性关系 (structure-activity relationship) 或生物活性片段的出现频率，但这难以应用于高通量筛选。分子对接和机器学习被认为是高通量和快速筛选鲜味肽的有效技术。

4.2.1. 分子对接筛选 (Molecular Docking Screening of Umami Peptides)

分子对接是计算机辅助药物设计的核心技术之一，也是虚拟结构筛选的主要手段。

• 核心思想： 基于诱导契合理论 (induced fit theory)，通过几何匹配和能量匹配，寻找配体（肽段）与受体（鲜味受体）之间最优的结合模式，并评估结合强度。

• 应用：

  • 研究相互作用机制： 分子对接主要用于研究鲜味物质与鲜味受体之间的相互作用机制。例如，通过构建L-Glu与T1R1/T1R3的配体-受体复合结构，研究L-Glu如何促进T1R1的闭合和T1R3的开放构象。
  • 高通量筛选和设计： 随着对味觉受体结构的理解，可以通过分子对接进行高通量筛选或设计适合味觉受体结合腔的新型配体、小分子或味觉肽。

• 作用机制研究示例：

  • T1R1亚基主要负责识别鲜味物质，T1R3亚基负责其他辅助功能。
  • 味精 (MSG) 和肌苷酸 (IMP) 等鲜味物质主要结合到T1R1的VFTD。MSG结合到T1R1的铰链区 (hinge region)，而IMP结合到相邻的铰链区以稳定MSG与受体的结合。
  • 位点突变实验 (site mutation experiments) 已经鉴定出8个主要的氨基酸残基，它们在识别MSG和IMP中起关键作用。
  • 当MSG结合到T1R1亚基的VFTD时，T1R3亚基的结合腔会增大，从而促进鲜味肽与T1R3亚基VFTD的结合。

• 筛选过程： 对通过质谱或虚拟酶解鉴定的肽段进行分子对接，比较肽段与捕蝇草结构 (flytrap structure) 上活性位点的结合强度。这种结合主要通过氢键、电子相互作用、范德华力 (van der Waals force) 和亲水性相互作用来产生鲜味信号。相反，非鲜味肽与味觉受体的结合较弱或不结合。

  以下是原文 Figure 3 中分子对接筛选的示意图：

  该图像是图示，展示了分子对接筛选中肽段与T1R1/T1R3受体结合后区分鲜味肽和非鲜味肽的过程。

• 主要结合位点： 理论研究已提供了配体-T1R1/T1R3复合物的结构基础，揭示了肽段的味觉机制并确认了鲜味肽的主要结合位点。

  以下是原文 Table 2 中鲜味肽与鲜味受体结合的主要位点：

  Homologous template. Receptor protein	Binding sites	References
  PDBID: 5X2M	T1R1	Asp147, Thr149, Arg151, Alal70,Ser172,Ser48, Asn69, His71, Ser384, Ser385	H. Liu et al. (2019)
  PDB ID: 1EWK	T1R1	Asp147, Arg151	Zhao et al. (2021)
  	T1R1	Arg151, Asp147, G1n52	Yu et al. (2021)
  	T1R3	Glu301, Ala302, Thr305, Ser306	Yang et al. (2021)
  	T1R3	Glu429, Gln302, Gly304, Try107, His364	Dang, Hao, Cao, et al. (2019)
  	T1R3	Ser146, Glu277	Dang et al. (2014)
  	T1R3	Asp196, Glu128 , Glu197	Zhu et al. (2020)
  	T1R3	Asp196, Glu128	Li et al. (2020)
  	T1R3	Serl23, Ser146, Tyr143	Zhang, Gao, Pan, et al. (2021)
  	T1R3	Asp192 , Glu301	Deng et al. (2021)
  T1R3	Ser104, Ser146, Asp249	Zhu et al. (2021)
  	Ser146 , Ser123	Chen, Gao, et al. (2021)
  T1R3(T1R1-MSG)	Arg303, Serl23 , Asp166	Zhang et al. (2021)
  T1R3(T1R1-MSG)	Arg303, Ser123, His121	Chen, Gao, et al. (2021)

• 局限性：

  • 人类鲜味受体T1R1/T1R3的晶体结构尚未被X射线衍射 (X-ray diffraction) 观察到，目前使用的受体结构多是通过同源建模 (homology modeling) 或预测得到的，这可能影响对接结果的准确性。
  • 鲜味肽与鲜味受体之间的相互作用复杂，结合位点尚未有明确的定论。

4.2.2. 机器学习筛选 (Machine Learning Screening of Umami Peptides)

机器学习通过预测分析将海量数据信息转化为有用的知识，并生成预测和决策信息，已应用于生物活性肽的筛选和预测。

• 机器学习生物肽预测模型的关键步骤：

  1. 数据收集与处理 (Data Gathering and Processing)： 收集已知的鲜味肽数据并进行预处理。

  2. 特征提取 (Feature Extraction)： 从肽序列中提取特征向量 (characteristic vectors)，如氨基酸组成、二肽组成等。

  3. 模型训练与评估 (Model Training and Evaluation)： 选择合适的机器学习算法（如支持向量机 (Support Vector Machine, SVM)、图神经网络 (Graph Neural Network, GNN)）训练模型，并评估其性能。

  4. Web服务器或独立程序开发 (Web Server or Independent Program Development)： 将训练好的模型部署为可供用户使用的工具。

     以下是原文 Figure 4 中机器学习筛选的示意图：

     该图像是图4的示意图，展示了基于机器学习模型筛选鲜味肽的过程，包含数据库输入、特征整合及算法选择，将多肽筛选出具有鲜味的肽。

• 应用示例：

  • iUmami-SCM：一个基于序列的预测器，通过20种氨基酸和400种二肽的估计倾向性得分 (propensity scores) 预测肽的鲜味感官特性。
  • iBitter-SCM：类似地，通过氨基酸序列直接预测肽的苦味。

• 新兴技术： 深度学习 (deep learning) 算法，特别是基于分子图的图神经网络 (GNN) 模型，在各种预测任务中显示出优越性。例如，Attentive-FP和ACP-GCN等GNN架构被用于学习分子的局部和全局特征，以及癌症肽的预测。

• 局限性： 缺乏足够的模型训练数据是限制鲜味肽预测模型发展的重要因素。

• 解决数据不足的可能方法：

  1. 从已发表文献中提取更多数据。
  2. 利用正交试验 (orthogonal test) 和响应面法 (response surface method) 设计实验，在不增加样本量的情况下提高机器学习效率。
  3. 在模型训练前，使用卡方检验 (Chi-square test)、相关性分析 (correlation analysis)、递归特征消除 (recursive feature elimination)、主成分分析 (principal component analysis) 和基于树的特征选择 (tree-based feature selection) 来选择输入变量。
  4. 开发适用于小数据集的算法。

4.3. 鲜味强度评估 (Evaluation of Umami Intensity)

目前尚无统一的标准来评估物质的鲜味强度。

4.3.1. 理化指标评估 (Evaluation of Umami Intensity by Physical and Chemical Indicators)

• 原理： 通过检测食物中味精 (MSG)、鲜味氨基酸和鲜味核苷酸的含量来表征鲜味强度。这些物质的含量可通过高效液相色谱-质谱 (HPLC-MS) 和核磁共振 (NMR) 等技术检测。
• 重要指标：
  • 味觉活性值 (Taste Activity Value, TAV)： 味觉化合物的含量与其阈值 (threshold) 之比。用于确定单个化合物在体系中的味觉贡献。 $\text{TAV} = \frac{C}{T}$ 其中，$C$ 代表味觉化合物的浓度，$T$ 代表该化合物的味觉阈值。
  • 等效鲜味浓度 (Equivalent Umami Concentration, EUC)： 氨基酸和核苷酸协同作用产生的鲜味强度，等同于一定浓度味精产生的味觉强度。 $$\text{EUC (g MSG/100 g)} = \sum_{i=1}^{n} (A_i \times Y_i) + \sum_{j=1}^{m} (N_j \times Y_j \times K_j)$$ 其中，$A_i$ 是第 $i$ 种鲜味氨基酸的浓度，$Y_i$ 是其鲜味当量系数（相对于MSG），$N_j$ 是第 $j$ 种鲜味核苷酸的浓度，$Y_j$ 是其鲜味当量系数（相对于MSG），$K_j$ 是其与MSG的协同增强因子。
• 局限性： 在复杂的食物体系中，鲜味强度受多种因素影响。TAV仅考虑单个成分的味觉效应，EUC仅考虑氨基酸和核苷酸之间的协同效应。这些理化指标需要结合感官评价进行进一步验证。

4.3.2. 感官评价 (Evaluation of Umami Intensity by Sensory Evaluation)

• 原理： 通过人类感官直接测量目标属性的感知强度，包括外观、香气、风味、质地和余味。
• 方法：
  • 强度标度 (intensity scale)
  • 味觉稀释分析 (taste dilution analysis)
  • 二选一强迫选择法 (two-alternative forced choice, 2-AFC)
• 局限性： 鲜味物质在口中停留时间长，难以准确测量和评估。感官评价高度主观，需要专门的感官评价团队进行培训，成本高。重复性差和主观性强使得其结果需要与其他指标结合判断。

4.3.3. 电子舌 (Evaluation of Umami Intensity by Electronic Tongue)

• 原理： 作为一种客观的味觉评估设备，电子舌使用合成材料（如聚合物、半导体或脂质膜）作为敏感元件，用于定性和定量表征化合物。
• 应用： 广泛应用于食品、饮料、制药和水质分析等领域。
• 局限性： 在量化溶液中多种成分时缺乏特异性，且灵敏度和特异性较低，其表现受限，需要感官评价的支持。

4.3.4. 仿生味觉传感器 (Evaluation of Umami Intensity by Bionic Taste Sensor)

• 原理： 仿生味觉传感器利用生物味觉组织（如酶、味觉组织、细胞、受体）作为敏感元件，结合微纳传感器作为次级转导器，将生物响应信号转化为易于处理的光、电等物理信号。

• 优势： 比电子舌具有更高的灵敏度、响应时间和特异性，能够更接近人类感受地评估味觉。

• 分类： 根据生物敏感元件的不同，可分为基于酶、味觉组织、细胞和受体的仿生味觉传感器。

• 应用示例：

  • 基于Pt纳米颗粒修饰的MXene-Ti3C2Tx的谷氨酸生物传感器，用于食品中味精的灵敏分析。

  • 基于原代心肌细胞的生物传感器，特异性检测鲜味（味精）和苦味（苯甲地那铵）。

  • 基于T1R1的电化学生物传感器，评估GMP、味精、IMP和WSA等鲜味配体与受体的相互作用。

  • 为简化传感器构建过程，还开发了基于T1R1配体结合域VFT的生物传感器。

    以下是原文 Table 3 中主要的鲜味仿生味觉传感器：

    Biomolecule type	Sensitive element Transducer	Target substances	LOD	Linear ranges	Stability (day)	Application	References
    Receptor	T1R1-VFT Single-walled carbon nanotubes and Prussian blue	IMP	0.1 pM	0.1 pM-1μM	5	Measure the umami taste of glutamate in soy sauce and tomato juice	(Li et al., 2021)
    		MSG	0.1 pM	0.1 pM-10 nM
    		BMP	0.1 pM	0.1 pM-100 nM
    		WSA	0.01 pM	0.01 pM-10 nM
    	hT1R1 Glassy carbon electrode	MSG	1.5 pM			Study on human receptor-ligand interaction mechanisms.	(Huang, Lu, et al., 2019)
    		IMP	0.88 pM
    GMP		2.3 pM
    SUC		0.86 pM
    	T1R1-VFT Graphene-based field-effect transistor	MSG	1nM		35	Measure the umami taste (L-glutamate) present in tomato juice and green tea	(Ahn et al., 2018)
    	T1R1 Glassy carbon electrodes	MSG	13.82 pM			Compare the sensing differences among three human umami receptors	(Chen et al., 2020)
    		mGluR1	0.24 pM
    		mGluR4 MSG	8.67 fM
    	Human taste receptor nanovesicles Graphene field-effect transistors	MSG	100 nM	100 nM−1 mM		The simultaneous detection of the umami and sweet tastants	(Ahn et al., 2016)
    	Honeybee umami taste receptor Carbon nanotube field-effect transistor	MSG	100 pM	100 pM−10μM		Detect the presence of MSG in liquid foods such as chicken soup	(Lee et al., 2015)
    Cell	STC-1 Ion chromatographic fingerprinting					Showing good discrimination of bitter, sweet and umami tastes compared to controls, but it cannot be analyzed quantitatively	(Zabadaj et al., 2019)
    	Cardiomyocytes Microelectrode array	MSG	1μM	1 μM-4 mM		Responds to bitter and umami compounds specifically among five basic tastants	(Wei et al., 2019)
    Tissue	Taste epithelium Microelectrode array					Taste buds released the spontaneous signals simultaneously and displayed different responses to different taste stimulations	(Liu et al., 2013)
    	Rabbit tongue tissue Glassy carbon electrode	MSG IMP		0.01 pM-10 nM 0.01 pM−1 nM	5	Simulate the ligand-receptor interaction environment in biological taste system and explain the interaction mechanism of umami substances with their receptors more accurately	(Fan et al., 2022)
    Enzyme	Glutamate oxidase MXene-Ti3C2Tx	MSG	0.45 μM	10-110 μM	28	Test MSG content in soy sauce, stock cube, and mushroom seasoning	(Liu et al., 2021)

• 局限性： 离体培养无法保证生物材料的长期存活，限制了传感器的使用寿命和重复检测能力。目前仿生味觉传感器只能评估单一目标物质的鲜味，无法满足混合鲜味物质的分析需求。

5. 实验设置

作为一篇综述文章，本文本身不包含原创性的实验设计和结果。本节将总结论文中提及的用于鲜味肽筛选和评估所涉及的数据来源、评估指标和对比方法。

5.1. 数据集

本文所讨论的鲜味肽和鲜味物质主要来源于以下几类：

• 鲜味肽来源：

  • 动物源性： 牛肉、鸡肉、火腿、蛤蜊、鱼（如卵形鲳鲹、真鲷、河豚）、猪骨蛋白、中国凤尾鱼酱、罗非鱼下颌、蚕蛹水解物等。
  • 植物源性： 蘑菇（如香菇、草菇、东方牛肝菌）、豆类（如白芸豆）、花生、大豆发酵产物（如豆豉、发酵大豆）。

• 经典鲜味物质： 味精 (MSG)、鸟苷酸 (GMP)、肌苷酸 (IMP)、琥珀酸二钠 (WSA)、L-茶氨酸 (L-theanine)、没食子酸 (gallic acid)、甜菜碱 (betaine)、氧化三甲胺 (trimethylamine oxide) 等。

  以下是原文 Table 1 中报告的动物源和植物源鲜味肽：

  Amino acid sequence of				Reported threshold concentration of umami	Identification Basic taste method		References
  Animal- derived	Chicken enzymatic AE	umami peptide	Mass (Da) (mM)
  	hydrolysate		218.09		Umami	LC-Q-TOF-MS	Kong et al. (2017)
  		VE	2017		Sour, Umami
  		ED	2017		Umami
  		AEA	289.13	0.8	Umami
  	Chicken soup	AH	2017		Umami taste
  	Chicken	TE WVNEEDHL	2017 1040.46		Umami Sour, astringent, weak	UPLC-MS/MS	Zhang, Ma,
  					sweet		Ahmed, et al. (2019)
  		NSLEGEFKG KDLFDPVIQD	979.46		Sour, astringent, thickness
  	Sanhuang		1188.6		Weak sour and astringent	UPLC-Q-Exactive
  	chickenthe hydrolysates	ADGLWL	673.75	0.74	Astringent, umami, sweet, sour, bitter	Orbitrap-MS	Chen, Gao, et al. (2021)
  		GFLGPQ	617.7	0.4	Astringent, sour, umami, sweet, bitter
  		AGDDAPR	700.68	1.43	Sour, umami
  		IGPGLGR	668.79	1.5	Sour, umami
  		KDGGGGK	617.66	1.62	Umami
  		SEASNNK	748.73	0.33	Sweet, umami
  		FAGDDAPR	847.86	1.18	Umami, sweet, sour
  		HGEDKEGE	899.87	0.56	Sour, umami
  		IPIPATKT	840.03	0.6	Sour, umami, kokumi
  	Porcine bone protein	PGPAGPAGP	719.78	0.7	Astringent, umami
  		GS	162.14			LC/MS	Shen et al.

5.2. 评估指标

论文中讨论的用于评估鲜味肽和鲜味强度的方法和指标包括：

• 鲜味阈值浓度 (Threshold Concentration of Umami)： 以毫摩尔 (mM) 或毫克/毫升 (mg/ml) 表示，表示能被感知到的最低鲜味浓度。
• 基本味觉 (Basic Taste)： 除了鲜味本身，还会评估肽段是否具有其他基本味觉，如酸 (sour)、甜 (sweet)、苦 (bitter)、咸 (salty)、涩 (astringent) 或醇厚味 (kokumi)。
• 分子量 (Mass, Da)： 肽段的分子量，与鲜味强度存在一定关系。
• 味觉活性值 (Taste Activity Value, TAV)： 用于量化单个味觉化合物对整体风味的贡献。 $\text{TAV} = \frac{C}{T}$ 其中：
  • $C$：味觉化合物在食物中的浓度 (Concentration)。
  • $T$：该味觉化合物的味觉阈值 (Threshold)。
• 等效鲜味浓度 (Equivalent Umami Concentration, EUC)： 用于衡量氨基酸和核苷酸协同作用产生的鲜味强度，并将其等效为一定浓度的味精 (MSG) 产生的鲜味。 $$\text{EUC (g MSG/100 g)} = \sum_{i=1}^{n} (A_i \times Y_i) + \sum_{j=1}^{m} (N_j \times Y_j \times K_j)$$ 其中：
  • $A_i$：第 $i$ 种鲜味氨基酸的浓度。
  • $Y_i$：第 $i$ 种鲜味氨基酸的鲜味当量系数（相对于MSG）。
  • $N_j$：第 $j$ 种鲜味核苷酸的浓度。
  • $Y_j$：第 $j$ 种鲜味核苷酸的鲜味当量系数（相对于MSG）。
  • $K_j$：第 $j$ 种鲜味核苷酸与MSG的协同增强因子。
• 分子对接得分 (Molecular Docking Score)： 在分子对接筛选中，通过计算配体与受体之间的结合自由能或打分函数值来量化结合强度。较低的结合得分通常意味着更强的结合亲和力。
• 机器学习模型性能指标： 对于机器学习模型，通常会使用准确率 (accuracy)、AUC (Area Under the ROC Curve)、F1分数 (F1-score) 等指标来评估其预测性能。
• 生物传感器性能指标：
  • 检测限 (Limit of Detection, LOD)： 传感器能检测到的最低物质浓度。
  • 线性范围 (Linear Ranges)： 传感器输出信号与物质浓度呈线性关系的范围。
  • 稳定性 (Stability)： 传感器在一段时间内保持其性能的能力（例如，以天为单位）。

5.3. 对比基线

本文作为一个综述，其“对比基线”主要体现在对不同方法和技术的比较上：

• 肽段筛选方法对比：

  • 传统方法： 基于色谱分离、纯化和感官评价。
  • 新型高通量方法： 分子对接技术和机器学习方法。

• 鲜味强度评估方法对比：

  • 理化指标： TAV、EUC。
  • 感官评价： 人类感官小组评估，包括强度标度、味觉稀释分析、2-AFC等。
  • 仪器分析： 电子舌。
  • 先进生物传感： 仿生味觉传感器。

• 受体结构对比： T1R1/T1R3与mGluR1/mGluR4之间在味觉感受区域和功能上的差异。

• 肽合成方法对比： 化学合成与生物合成在鲜味表达上的差异。

  这些对比旨在突出新兴技术相较于传统方法的优势，以及不同评估方法之间的性能差异和局限性。

6. 实验结果与分析

作为一篇综述文章，本部分主要汇总和分析了不同研究在鲜味肽筛选和评估方面的进展，而不是呈现具体的实验结果。核心结果体现在对鲜味肽特性、筛选方法有效性及评估技术潜力的归纳总结。

6.1. 核心结果分析

• 鲜味肽的结构-活性关系：
  • 小分子量肽（<3000 Da）通常具有较强的鲜味活性，其中4-6个氨基酸残基的短肽表现尤为突出。
  • 肽段中谷氨酸 (Glu) 和天冬氨酸 (Asp) 等酸性氨基酸的存在对鲜味至关重要。
  • 氨基酸的排列顺序也影响鲜味，例如C端为酸性氨基酸、N端为碱性氨基酸的二肽可能具有鲜味。
  • 一些长链肽也表现出良好的鲜味和咸味增强效果，表明肽链长度对鲜味强度的影响较为复杂。
• 分子对接在鲜味肽筛选中的有效性：
  • 分子对接技术已成功用于预测鲜味肽与鲜味受体 T1R1/T1R3 的结合模式，揭示了 Asp147 和 Arg151 等氨基酸残基在识别中的关键作用。
  • 通过虚拟酶解和分子对接，已成功筛选出具有潜在鲜味的肽段，例如 Yu et al. (2021) 发现了比 MSG 鲜味更强的五种新肽 (DK, EEK, EDQK, SEGGR, QDSIGS)。
  • 分子对接能够区分鲜味肽（与受体结合）和非鲜味肽（结合弱或不结合）。
• 机器学习在鲜味肽筛选中的潜力与挑战：
  • 机器学习模型（如 iUmami-SCM）能够基于肽序列信息预测鲜味特性，展现出高通量筛选的潜力。
  • GNN 等深度学习方法通过学习分子图特征，在生物活性肽预测中表现出色，为鲜味肽筛选提供了新的方向。
  • 主要挑战是缺乏足够的训练数据，需要通过数据扩充和改进算法来应对。
• 仿生味觉传感器在鲜味评估中的优势：
  • 相较于传统电子舌，仿生味觉传感器具有更高的灵敏度、响应时间和特异性，能够更精确地模拟人类味觉感知。
  • 基于 T1R1-VFT 等受体的生物传感器，能够实现皮摩尔 (pM) 级别的极低检测限，并在酱油和番茄汁中检测谷氨酸的鲜味。
• 评估方法的局限性：
  • 理化指标 (TAV, EUC) 无法全面反映复杂食品体系中的鲜味。
  • 感官评价虽然全面，但主观性强、成本高、重复性差。
  • 仿生味觉传感器仍面临长期稳定性、高成本以及无法评估混合鲜味物质等问题。

6.2. 数据呈现 (表格)

以下是原文 Table 1 中报告的动物源和植物源鲜味肽：

以下是原文 Table 2 中鲜味肽与鲜味受体结合的主要位点：

以下是原文 Table 3 中主要的鲜味仿生味觉传感器：

6.3. 消融实验/参数分析

本综述没有进行独立的消融实验或参数分析，但其内容隐含了对影响鲜味肽作用和评估方法性能的各种因素的讨论：

• 肽段结构参数的影响：
  • 分子量： 论文指出小分子量肽（<3000 Da）通常具有更强的鲜味，并引用了多项研究支持这一观点。
  • 氨基酸组成与排列： 谷氨酸和天冬氨酸等酸性氨基酸的重要性，以及C端和N端氨基酸的特性对鲜味的影响。
  • 异构体与空间结构： 讨论了化学合成和生物合成肽段在鲜味感知上的差异，可能与肽段的异构体或空间结构有关。
• 分子对接参数与模型选择：
  • 受体模型： 论文强调了人类鲜味受体 T1R1/T1R3 缺乏晶体结构，目前使用的同源建模受体结构可能影响对接准确性，暗示了受体模型的选择和构建对结果的重要性。
  • 结合位点： 论文指出了鲜味肽与受体结合位点尚无明确定论，这暗示了对结合位点进行深入研究的必要性。
• 机器学习模型的输入特征与数据量：
  • 特征选择： 论文讨论了氨基酸组成、二肽组成等序列特征在构建预测模型中的应用。
  • 数据量限制： 指出训练数据不足是限制机器学习模型性能的关键因素，并提出了通过数据扩充、特征选择和专用算法来克服这一局限的策略。
• 仿生味觉传感器性能因素：

  • 敏感元件： 传感器所用的生物敏感元件类型（受体、细胞、组织、酶）决定了其特异性和灵敏度。

  • 转导器： 微纳传感器将生物信号转化为电/光信号的效率和稳定性影响整体性能。

  • 生物材料稳定性： 离体生物材料的存活时间是影响传感器服务寿命的关键因素。

    这些讨论实际上是对影响鲜味肽筛选和评估的关键因素的“准消融分析”，虽然不是通过控制实验变量来完成，但通过汇总现有研究成果，揭示了不同因素对目标结果的影响。

7. 总结与思考

7.1. 结论总结

本综述全面回顾了鲜味肽的筛选和评估领域的最新进展，并明确指出了该领域面临的两个主要瓶颈：高通量筛选效率低下和鲜味强度评估缺乏标准化。为了解决这些问题，论文总结了新兴的解决方案：

1. 高通量筛选： 基于分子对接技术，可以快速预测鲜味肽与鲜味受体的相互作用，从而实现初步筛选。结合机器学习方法，通过学习肽段的序列和空间结构特征，能够进一步提高筛选的准确性和效率。

2. 标准化评估： 仿生味觉传感器被认为是实现鲜味标准化评估的有效途径。它通过整合生物敏感元件，在灵敏度、响应时间和特异性方面优于传统方法，能够更接近人类感知地量化鲜味。

   这些快速筛选和评估方法的进步，将极大地推动鲜味肽的发现、鉴定及其在调味品工业中的应用，同时也为其他味觉肽的系统性研究提供了重要的借鉴方向。

7.2. 局限性与未来工作

论文作者指出了当前研究的局限性并展望了未来的研究方向：

• 分子对接的局限性与未来工作：
  • 受体结构未完全解析： 人类鲜味受体 T1R1/T1R3 缺乏晶体结构，目前主要依赖同源建模，这可能影响对接结果的准确性。未来需要更精确的受体结构解析。
  • 相互作用机制复杂： 鲜味肽与受体之间的结合位点和相互作用机制尚未完全明确。未来的研究需要更深入地探索这些复杂性。
  • 结合模拟的准确性： 结合模拟的准确性仍有提升空间，以更真实地反映体内结合情况。
• 机器学习的局限性与未来工作：
  • 数据量不足： 缺乏足够的鲜味肽数据用于模型训练是其主要限制。未来的工作应致力于：
    • 从已发表文献中提取更多数据。
    • 采用正交试验和响应面法等实验设计优化数据收集效率。
    • 在模型训练前，利用统计和特征选择方法（如卡方检验、PCA）优化输入变量。
    • 开发适用于小数据集的机器学习算法。
  • 模型准确性： 需要结合更多信息（如空间结构特征）来提高预测模型的准确性。
• 仿生味觉传感器的局限性与未来工作：
  • 性能不稳定与成本高昂： 现有传感器的性能稳定性有待提高，制造成本较高，限制了其大规模应用。
  • 服务寿命短： 离体生物材料的存活时间短，影响传感器的长期使用和重复检测能力。
  • 混合鲜味评估困难： 目前传感器主要用于评估单一目标物质的鲜味，难以有效评估复杂的混合鲜味物质。未来的研究需要开发能够识别和量化混合鲜味物质的传感器，并延长其使用寿命。
• 综合性未来方向：
  • 分子对接与机器学习结合： 通过分子对接获得鲜味肽的空间结构特征，并将其作为机器学习模型的输入，有望进一步提高筛选准确性。
  • 仿生传感器技术突破： 解决仿生味觉传感器的稳定性、成本和混合鲜味识别问题，以实现鲜味的真正标准化评估。

7.3. 个人启发与批判

• 个人启发：

  • 跨学科融合的重要性： 这篇综述清晰地展示了计算生物学（分子对接、机器学习）和生物传感技术在食品科学领域（鲜味肽发现与评估）的巨大潜力。这启发我们，解决传统领域瓶颈往往需要多学科的交叉融合。
  • 数据驱动的未来： 机器学习虽然目前面临数据量不足的挑战，但其作为高通量筛选工具的潜力是巨大的。未来，随着更多高质量鲜味肽数据的积累，数据驱动的方法将成为主流。
  • 生物模仿的价值： 仿生味觉传感器模仿人类味觉机制，从根本上提升了味觉评估的准确性和特异性。这提示我们，从自然界或生物系统中寻找灵感，是解决工程和技术难题的有效途径。
  • 健康食品的推动力： 鲜味肽不仅改善风味，还具有多种生物活性。这些技术的进步将加速功能性鲜味配料的开发，有助于推动健康食品和低钠产品的创新。

• 批判：

  • 理论到实践的鸿沟： 尽管分子对接和机器学习展现出巨大潜力，但从理论预测到实际应用（如食品体系中的感官验证）之间仍存在挑战。例如，计算机模拟的肽段在真实食品基质中是否仍能保持其预测的鲜味活性，以及它们在加工过程中的稳定性，都需要大量的实验验证。综述中提到化学合成的肽段与生物合成的肽段在鲜味上可能存在差异，这也进一步说明了理论预测的复杂性。
  • 仿生传感器标准化： 仿生味觉传感器虽然提高了灵敏度和特异性，但“标准化”的实现仍需克服诸多障碍，如不同批次传感器的一致性、校准方法、环境因素（pH、温度、盐分）的影响以及如何将传感器信号转化为人类可理解的“鲜味度”等级。特别是对“混合鲜味”的评估能力是其商业应用的关键挑战。
  • 成本效益分析欠缺： 论文虽然提到了传统方法的“昂贵”和仿生传感器的“高成本”，但在讨论新兴技术时，缺乏对这些技术（如高通量质谱、高算力机器学习、精密生物传感器制造）的实际经济成本和效益的深入分析。对于工业应用而言，成本效益是决定技术采纳的重要因素。
  • 现有机器学习模型的普适性： 论文中提到的机器学习模型（如iUmami-SCM）主要基于序列信息，其普适性可能有限，无法完全捕捉肽段的立体结构和与受体结合的精细特征。未来的工作可能需要将更复杂的结构特征编码到模型中，甚至考虑多模态信息的融合。