编辑推荐：
理解甜味和苦味分子机制对鉴定化合物味觉特征至关重要。研究人员开发基于图神经网络（GNN）的 AI 模型预测苦味和甜味，模型 accuracy 超传统方法。通过分子对接验证，揭示配体 - 受体作用，为味觉预测和机制研究提供新框架。
味觉感知是生命体识别营养与危险的重要能力，人类通过甜味感知能量丰富的食物，通过苦味警惕潜在毒素。然而，揭开甜味与苦味背后的分子机制一直是科学界的难题。传统计算模型依赖预设分子描述符，存在特征选择偏差，且难以直观揭示化合物结构与味觉感知的内在联系。如何从分子结构直接预测味觉特征，并解析其与受体的相互作用机制，成为食品、医药等领域亟待突破的关键科学问题。
为攻克这一挑战，研究人员开展了基于图神经网络（Graph Neural Network, GNN）的人工智能模型构建研究，旨在实现对苦味和甜味的精准预测，并深入解析其分子机制。相关成果发表在《Current Research in Food Science》。
研究中使用的关键技术方法包括：
- 数据集构建：收集苦味、非苦味、甜味、非甜味化合物数据集，排除数据矛盾或信息不明确的分子，训练集与测试集划分参考公开数据资源。
- GNN 模型开发：利用开源 cheminformatics 库 kMoL 构建基于 GNN 的预测模型，输入为分子图结构，结合多层感知机（MLP）学习分子特征，并与基于扩展连接指纹（ECFP）的 MLP 模型对比。
- 模型解释与验证：采用集成梯度（Integrated Gradients）方法可视化影响预测的分子特征，通过分子对接模拟（AutoDock Vina）验证配体与味觉受体（苦味受体 TAS2R16、甜味受体 TAS1R2）的相互作用，受体结构来源于 AlphaFold 蛋白质结构数据库。
3.1 模型性能
构建的 GNN 模型在苦味和甜味预测中表现优异。苦味预测的 F1 分数达 0.838-0.850，与传统方法相当；甜味预测的 F1 分数最高达 0.822，超越基于分子描述符的模型。GNN 直接从分子结构中学习特征，避免了传统方法依赖预设描述符的偏差，且通过可视化技术揭示了模型决策依据。
3.2 结构洞察
- 苦味配体 - 受体相互作用：以水杨苷、4-NP-β- 甘露糖苷、己基 -β- 葡萄糖苷为例，分子对接显示其与 TAS2R16 受体形成氢键（如水杨苷与 Q177 残基）。集成梯度可视化表明，参与氢键形成的 - OH 基团等原子在预测中贡献显著（红色高亮），模型无需受体信息即可识别关键结构特征。
- 甜味配体 - 受体相互作用：阿斯巴甜和三氯蔗糖与 TAS1R2 受体的对接结果显示，二者通过氢键与 K65、D142、S165 等关键残基结合。可视化结果表明，参与氢键的原子在甜味预测中起重要作用，且模型识别出非氢键相关原子对甜味的贡献。
4. 结论与讨论
本研究开发的基于 GNN 的 AI 模型，实现了从分子结构直接预测苦味和甜味，精度优于或接近传统机器学习方法。通过集成梯度可视化与分子对接验证，揭示了配体与受体相互作用的关键分子特征，为味觉感知的分子机制提供了新见解。该方法无需依赖预设分子描述符，减少了人为偏差，且通过可视化技术增强了模型可解释性，为食品添加剂开发、药物口感优化等领域提供了创新工具。尽管研究未涉及其他味觉模态（如咸味、酸味），但其框架为扩展至更多味觉预测奠定了基础。未来可进一步探索模型在复杂生物体系中的应用，深化对味觉感知网络的理解，推动精准食品科学与药物研发的发展。
