鲜味肽是一类分子量低于3000Da、可特异性激活人体鲜味受体T1R1/T1R3的短肽，因鲜味柔和饱满、无不良后味、食用安全性高，成为新一代食品风味添加剂的开发热点。传统鲜味肽提取依赖“酶解-分离-尝味”的试错模式，效率低、成本高，生物信息学技术的介入构建了分层递进、数据闭环的应用流层，大幅提升了鲜味肽的开发效率，其流层图从上到下可分为四个核心层级，各层衔接形成完整的技术链路：
第一层为上游靶标预测层，是整个流程的前端筛控环节。输入为公开数据库的蛋白序列与已报道鲜味肽数据集，依托BIOPEP-UWM、UmamiPD等专属鲜味肽数据库，结合同源序列比对、分子对接、鲜味肽预训练机器学习模型（如Umami-EL）等技术，首先对大豆蛋白、乳清蛋白、水产加工副产物蛋白等候选原料的全蛋白序列进行鲜味潜力评分，筛选出含有鲜味保守基序的蛋白区段，同时预测蛋白酶的酶切位点，输出高概率候选鲜味肽序列清单、适配酶种名录，从源头排除90%以上的非目标序列，避免无效实验。
第二层为中游酶解工艺模拟优化层。输入为上层输出的候选序列与适配酶种，借助ExPASy PeptideCutter、Protease Specificity Prediction Server等工具开展虚拟酶解模拟，调整酶解温度、pH、酶底比、反应时间等参数，预测不同条件下的酶解产物谱、肽段分子量分布、潜在毒性/致敏位点，同时结合遗传算法、响应面模型优化工艺参数，最终输出可直接落地的酶解工艺方案、预期产物纯度与回收率阈值，比传统单因素试验优化效率提升70%以上。
第三层为分离纯化路径模拟导向层。输入为酶解产物的模拟组分数据，依托分子动力学模拟、色谱保留行为预测模型等技术，模拟鲜味肽与不同色谱填料、超滤膜孔径的结合/截留特性，预测凝胶层析、反相高效液相色谱、纳滤等分离步骤的最优操作参数（如流动相比例、洗脱流速、截留分子量），同时预判各步骤的杂质去除效率与目标肽回收率，输出分步分离纯化操作指引与关键质控节点，大幅降低分离环节的试错成本。
第四层为下游验证与数据回流层。输入为实验提取得到的肽段质谱数据与感官评价结果，借助MaxQuant、Mascot等肽段鉴定工具将实测肽段与上游预测的候选库比对，确认目标鲜味肽的结构，再通过分子对接模拟肽段与T1R1/T1R3受体的结合自由能，验证鲜味强度，同时挖掘新的鲜味肽保守基序，将新发现的鲜味肽数据回流到第一层的数据库中，迭代优化预测模型的准确率，形成“预测-验证-优化”的闭环链路。
整个流层图并非单向线性流程，而是具备跨层数据交互能力的动态系统，目前已被广泛应用于水产加工副产物、粮油加工副产物的高值化利用中，可将鲜味肽的开发周期从12-18个月缩短至3-6个月，为天然鲜味肽的规模化提取与应用提供了技术支撑。

本文由AI大模型（Doubao-Seed-1.6）结合行业知识与创新视角深度思考后创作。