近期，dg真人试玩平台刘强副教授（第一作者）在国际TOP期刊Biotechnology Advances（Q1，IF: 12.5）发表题为“Decoding polyphenol-protein interactions with deep learning: From molecular mechanisms to food applications”的综述性论文。
多酚与蛋白质是食品体系与生命活动中两类至关重要的生物分子。多酚是一类广泛存在于蔬菜、水果、豆类、谷物和茶叶中的植物次生代谢产物，根据化学结构可分为黄酮类、酚酸类、香豆素类、芪类和木脂素类等。蛋白质则是食品和人体中执行功能的主要载体。二者之间的相互作用——简称PhPIs（Polyphenol‑Protein Interactions）——不仅决定食品的质地、稳定性和营养特性，还深刻影响多酚的抗氧化、抗菌、抗炎、抗过敏等生物活性的发挥，以及蛋白质的消化率、致敏性和功能特性。
PhPIs主要通过非共价相互作用（氢键、疏水作用、静电作用和范德华力）与共价相互作用（多酚氧化为邻醌后与蛋白质巯基、氨基等发生Michael加成或席夫碱反应）两种机制发生。非共价作用通常是可逆的，主导结合亲和力与特异性；共价作用则形成稳定的共价复合物，显著改变蛋白质的结构与功能。这些相互作用可诱导蛋白质二级结构变化（如α‑螺旋减少、β‑折叠增加），进而影响凝胶强度、乳化性能、热稳定性及抗酶解能力，并调节α‑淀粉酶等酶活性及NF‑κB等信号通路。
尽管PhPIs的重要性已得到广泛认可，但其研究仍面临巨大挑战。由于多酚结构的多样性和蛋白质结合位点的动态性，传统实验技术（如光谱、质谱）受限于样品复杂性和低通量；分子对接和分子动力学模拟计算成本高、效率低；传统机器学习方法对复杂非线性相互作用的建模能力有限。深度学习（DL）凭借强大的自动特征提取能力，可从蛋白质序列、三维结构及多酚分子图中高效预测结合位点、亲和力及相互作用类型，借助图神经网络、卷积神经网络等架构，数秒内即可完成传统方法数小时的计算任务。本文系统综述了DL在PhPIs分析中的工作流程、应用模型、主要挑战（数据质量、动力学缺失、金标准匮乏等）及未来方向（可解释AI、多模态融合等），旨在为食品与营养科学提供从分子机制到应用转化的系统性指南。
研究亮点
本文系统梳理了深度学习在多酚-蛋白质相互作用（PhPIs）研究中的全流程应用，涵盖数据采集与预处理、特征提取、模型构建及性能评估，并综述了图神经网络、卷积神经网络、Transformer等主流架构的适用场景。文章全面总结了传统方法（光谱、质谱、分子对接、分子动力学模拟等）在分辨率、计算成本和通量方面的固有局限，明确了当前深度学习驱动PhPIs研究的关键挑战，包括高质量标注数据不足、蛋白质动力学信息缺失、金标准基准数据集匮乏以及低数据环境下的过拟合问题。在此基础上，提出了面向食品与营养科学的未来方向，强调可解释人工智能（XAI）对提升模型透明度的重要性，并建议通过多模态数据融合、迁移学习、主动学习等策略突破现有瓶颈。
研究结论
PhPIs的机制基础已较为明确：多酚与蛋白质可通过氢键、疏水作用、静电作用等非共价方式，以及席夫碱反应、Michael加成等共价方式相互作用，诱导蛋白质构象变化，进而影响其热稳定性、消化率、抗氧化性及乳化性能等食品功能属性。然而，传统实验与计算方法均存在固有局限，实验技术（如光谱、质谱、色谱）受限于分辨率、信号干扰和低通量；计算模拟（分子对接、分子动力学）虽能提供原子层面信息，但计算成本高且难以大规模应用；传统机器学习方法对动态、非线性相互作用的建模能力有限。
深度学习为PhPIs研究提供了新范式。通过构建端到端的预测模型，深度学习能够从蛋白质序列/结构及多酚分子图中自动提取高维特征，高效预测结合位点、结合亲和力及相互作用类型，显著提升预测速度与可扩展性。现有深度学习模型已有成功应用，如BANPPI框架利用双线性注意力网络实现了多酚-蛋白质相互作用的准确预测（AUROC=0.8443），MONN模型通过定义非共价相互作用矩阵精准推断结合位点，展示了DL在食品蛋白质体系中的实用价值。当前主要瓶颈在于数据与可解释性：高质量、多样性充足的PhPIs数据集仍然稀缺，蛋白质动力学信息的整合不足，且深度学习模型的“黑箱”特性限制了其生物学机制的解释能力，金标准基准数据集的缺失也阻碍了模型性能的公平比较。未来应聚焦模型优化与跨学科融合，发展可信与可解释的人工智能（XAI）方法，结合多模态融合、迁移学习和主动学习等策略应对低数据挑战。深度学习有望在功能性多酚-蛋白复合物筛选、乳液稳定性预测、过敏原性评估及活性物质递送系统设计等领域发挥关键作用，推动食品科学与营养健康的精准化发展。
图文赏析
图1 多酚的分类及代表性化合物的化学式。多酚根据结构分为黄酮类（如槲皮素）、酚酸类（如没食子酸）、香豆素类（如7-羟基香豆素）、芪类（如白藜芦醇）和木脂素类（如亚麻脂苷）。
图2 研究多酚-蛋白质相互作用（PhPIs）的方法与挑战。(A) 样品复杂性：多酚与蛋白质的种类和结构多样性使预处理和表征困难；(B) 高计算负载与低效率：分子对接和MD模拟难以捕获动态过程；(C) 数据分辨率与信号干扰：光谱和显微技术存在低分辨率、信号重叠问题；(D) 实验条件：溶剂性质、颗粒大小、传感器固定化等影响重现性。
图3 非共价与共价的多酚-蛋白质相互作用。非共价作用包括氢键（多酚羟基与亲水性氨基酸残基）、分子间氢键（多酚自聚集）、疏水作用（芳香环与非极性区域）和离子键（碱性条件下去质子化羟基与带正电侧链）。共价作用则涉及多酚氧化为邻醌，再与蛋白质的巯基或氨基发生Michael加成或席夫碱反应。
图4 用于预测多酚-蛋白质相互作用（PhPIs）中蛋白质-化合物结合的工作流程与方法概述。(A) 数据预处理：整合PDB、UniProt、ChEMBL等来源的数据，进行去噪、特征选择；(B) 预测模型：结合图神经网络、CNN、Transformer等提取序列与结构特征，通过亲和力学习模块预测相互作用；(C) 验证策略：交叉验证、亲和力预测、化学规则评估；(D) 性能评估：采用RMSE、R²、AUC-ROC等指标。
图4 用于预测多酚-蛋白质相互作用（PhPIs）中蛋白质-化合物结合的工作流程与方法概述。(A) 数据预处理：整合PDB、UniProt、ChEMBL等来源的数据，进行去噪、特征选择；(B) 预测模型：结合图神经网络、CNN、Transformer等提取序列与结构特征，通过亲和力学习模块预测相互作用；(C) 验证策略：交叉验证、亲和力预测、化学规则评估；(D) 性能评估：采用RMSE、R²、AUC-ROC等指标。
原文链接：//doi.org/10.1016/j.biotechadv.2026.108803
