Prédicteur de goût basé sur l’apprentissage automatique, conçu pour identifier l’amer, le sucré et l’umami parmi d’autres sensations gustatives

Dans une étude récente publiée dans science alimentaire npjLes chercheurs ont développé VirtuousMultiTaste, un outil d’apprentissage automatique permettant de distinguer les goûts sucrés, umami et amers en fonction des structures moléculaires d’un composé et des propriétés physicochimiques sous-jacentes.

arrière-plan

Le goût et l’odorat sont cruciaux pour la perception chimiosensorielle des aliments et influencent le choix et la consommation des repas. La perception gustative utilise cinq sensations de base pour contrôler l’absorption des nutriments et prévenir les substances toxiques : sucré, amer, umami, salé et aigre. Comprendre les propriétés physicochimiques des composants alimentaires est crucial pour influencer le goût et l’absorption.

Les progrès des algorithmes basés sur l’apprentissage automatique ont catégorisé le goût des composés chimiques ; Cependant, il reste encore des progrès à faire dans la construction de modèles multiclasses capables d’anticiper toute la gamme des saveurs de base, ce qui limite la science et la technologie alimentaires.

À propos de l’étude

Dans la présente étude, les chercheurs ont utilisé des approches d’apprentissage automatique et d’optimisation heuristique pour anticiper différentes expériences de goût chimique.

L’ensemble de données de l’étude comprenait une collection de composés accessibles au public avec des arômes validés regroupés en neuf groupes d’arômes. La première base de données contenait 5 290 produits chimiques pour les goûts sucrés et amers et 2 549 pour l’umami. L’ensemble de données final comprenait 4 717 produits chimiques, sélectionnés au hasard pour la formation. Les chercheurs ont suréchantillonné la classe Umami avec 133 échantillons, en utilisant la méthode Adaptive Boosting (AdaBoost) comme étape de prétraitement supplémentaire.

Les chercheurs ont utilisé l’analyse en composantes principales (ACP) pour évaluer les propriétés moléculaires et en ont identifié 1 306 qui différaient de manière significative en termes de réduction de dimensionnalité. L’autocorrélation d’une structure topologique (ATS) était la classe de descripteurs la plus courante parmi les 15 caractéristiques sélectionnées.

Les chercheurs ont utilisé des réductions de dimensionnalité d’ensemble à l’aide d’algorithmes d’optimisation basés sur Pareto pour améliorer la précision des prédictions, réduire certaines caractéristiques et simplifier la classification. Les objectifs d’optimisation comprenaient la précision (ACC), la minimisation du nombre de fonctionnalités sélectionnées 1, le score F1 10, la précision (PRC), le score F2 1, le rappel (REC), la zone sous la courbe caractéristique de fonctionnement du récepteur (AUC), la distance de Manhattan 1 et l’arbre. minimisation 1 (numéro SV).

Les chercheurs ont utilisé des classificateurs à forêt aléatoire (RF), qui ont obtenu de meilleurs résultats que les machines à vecteurs de support (SVM) sur divers objectifs. Ils ont comparé 20 modèles RF différents et sélectionné le meilleur modèle en fonction de ses performances et de son nombre minimal de fonctionnalités. Ils ont utilisé une validation croisée (CV) 10 fois sur l’ensemble de données de formation. Parmi les 15 caractéristiques spécifiées, l’autocorrélation d’une structure topologique (ATS) était la classe de descripteurs la plus couramment utilisée. Les chercheurs ont calculé les descripteurs d’autocorrélation à l’aide des autocorrélations de Moreau-Broto pondérées par l’électronégativité d’Allred-Rocow, Pauling et Sanderson, la masse, la charge de Gasteiger, le numéro atomique, le potentiel d’ionisation, la polarisabilité et l’état intrinsèque.

Les chercheurs ont évalué les performances du modèle à l’aide de bases de données externes sur les aliments et les produits naturels telles que FooDB, FlavorDB, PhenolExplorer, Natural Product Atlas et PhytoHub. Ils ont comparé le café et le chocolat en fonction de leur contenu proportionnel dans FooDB. Ils ont également évalué le modèle par rapport aux algorithmes et pipelines d’apprentissage automatique couramment utilisés.

Les chercheurs ont évalué l’applicabilité du modèle en comparant la similitude entre les substances testées et les produits chimiques utilisés pendant la formation. Ils ont utilisé les empreintes digitales de Morgan et l’indice de similarité de Tanimoto pour déterminer les valeurs moyennes de similarité entre les composés de test et d’entraînement et ont comparé VirtuousMultiTaste aux prédicteurs de goût précédemment développés, VirtuousBitterSweet et VirtuousUmami.

Résultats

Lors de la validation croisée, le modèle RF sélectionné a atteint une valeur d’ASC de 0,92, une précision de 77 % et un rappel de 77 %. L’ensemble de tests a montré une AUC de 0,87 avec une précision de 79 % et un rappel de 72 %. Le goût umami avait les valeurs d’AUC les plus élevées (0,98), suivi du goût amer (0,92) et du groupe de goûts « autres » (0,86). Le modèle VirtuousMultiTaste a obtenu des résultats légèrement meilleurs pour prédire le goût amer, avec une exactitude, une précision, un rappel et des valeurs F1 et F2 d’environ 83 %. Le café avait un profil de saveur principalement amère avec 130 produits chimiques amers projetés, tandis que le chocolat avait 96 composés amers, 33 composés sucrés, quatre composés umami et 13 autres composés aromatiques.

VirtuousMultiTaste surpasse les autres classificateurs en termes de mesures de performances. VirtuousMultiTaste et VirtuousUmami avaient des valeurs de précision et d’AUC comparables, mais des valeurs de précision, de rappel, F1 et F2 légèrement inférieures. Les deux méthodes ont atteint une précision de plus de 99 % dans les évaluations avec des produits chimiques non umami qui n’ont pas été utilisés lors de la formation. VirtuousMultiTaste pourrait anticiper les composés umami plutôt que les peptides, permettant ainsi une enquête chimique plus complète. Les performances du modèle sont restées constantes dans tous les quartiles de similarité, démontrant une large applicabilité.

Sur la base des résultats de l’étude, l’outil d’apprentissage automatique VirtuousMultiTaste peut analyser rapidement les bases de données chimiques pour détecter d’éventuels composés ayant des qualités gustatives prédites. Il a démontré une excellente capacité à anticiper simultanément de nombreuses sensations gustatives, suggérant la possibilité d’une intégration dans la perception multisensorielle. L’outil prédit quatre goûts et permet l’analyse de divers produits chimiques ainsi que la connaissance des processus chimiques et physiques qui influencent la perception globale du goût.

Cependant, il est difficile de comprendre intuitivement les propriétés chimiques et physiques des arômes à partir de 15 caractéristiques clés. Les recherches futures devraient se concentrer sur des descripteurs simples ou développer des approches spécialisées pour corréler les descripteurs moléculaires avec des caractéristiques structurelles ou des groupements fonctionnels.