《食品科學》：寧波大學張鑫副教授、劉亞楠副教授等：人工智能算法在抗菌肽預測領域的應用

抗菌肽（AMPs）是一大類天然化合物，憑借其對細菌、真菌、病毒和原生動物的廣泛抗菌活性而聞名，具有高效、低毒、廣譜的抗微生物活性的優點，且基本無耐藥性問題。并且，AMPs廣泛存在于自然界，植物、細菌、真菌和真核細胞群都可以產生AMPs。

傳統識別AMPs的方法通過生物實驗來進行，整個過程工作量大、效率低、耗時費力、成本高昂。利用人工智能技術，研究人員可以預測肽的抗菌和溶血特性，從而設計出具有高抗菌活性和低細胞毒性的抗菌肽序列。利用高通量篩選技術，人工智能還可以從大量的肽序列中快速篩選出最有希望的候選序列，極大地推動了AMPs的研究、開發和應用，為抗生素耐藥性問題提供了新的可能解決方案。

寧波大學食品科學與工程學院的錢宇辰、張鑫*、劉亞楠*等綜述人工智能算法在AMPs預測中的應用策略，旨在為AMPs的鑒定、研發與優化開辟新視角。人工智能在AMPs領域的運用不僅能顯著提升新型AMPs的發現與改良效率，還能借助強大的數據分析與模式識別能力，揭示前所未見的生物活性關聯，為應對食品安全的全球挑戰提供創新且高效的方案。

1人工智能方法解決AMPs篩選難題

AMPs種類豐富且易于合成，已被公認為是有廣泛應用前景的抗菌化合物，用于食品保鮮以抑制微生物生長。AMPs主要作用于細菌細胞膜，其與細胞膜主要存在兩種相互作用方式，分別是靜電相互作用及受體介導相互作用。部分AMPs可通過膜蛋白受體介導與細胞膜相結合，影響膜內外物質轉運、細胞識別等生物功能，從而損壞細胞膜的完整性及形態以達到殺滅細菌的作用。

盡管AMPs被視為抗生素的有力候補，但目前仍然存在許多的限制阻礙AMPs的真正應用。例如，抗菌活性低、生物易降解、細胞毒性、特異性差等，這些因素限制了它們臨床的應用和發展。與小分子化合物相比，多肽易發生脫酰氨、氧化、水解、消旋等反應，導致一級結構被破壞，多肽還易被體內的蛋白酶等水解，在體內還會通過靶點介導被消除。多肽通過一定的空間結構發揮作用，一級結構的破壞一定程度上會影響其效果。目前發現的AMPs數量相比于龐大的組學數據微乎其微，新型AMPs序列的開發空間相當廣闊。伴隨高通量測序技術的發展和測序成本的持續降低，產生了海量的測序數據，人工智能方法可以從數百萬種候選AMPs中快速篩選和鑒別潛在的具有生物活性的肽段，提高篩選AMPs的效率和準確度。人工智能預測AMPs的一般性流程包括數據集建立、特征表示、模型預測、模型評價等部分（圖1）。

AMPs的多種功能，如抑菌活性、細胞毒性和溶血活性等，都受到諸如凈電荷、肽鏈長度、氨基酸構成、疏水特性以及空間結構等多種理化因素的調控。基于氨基酸物理化學屬性的特征表達方法在各類蛋白質預測研究中已經得到廣泛應用。在利用人工智能算法篩選AMPs的過程中，關鍵就在于構建一個包含了AMPs和非AMPs的理化特性的訓練數據集。目前已經有很多軟件包被開發出來，諸如propy、modlAMP、ChemoPy、peptides等，它們都可以根據多肽的一級結構（即序列）計算得出一系列描述符。這些描述符反映了多肽的物理或化學信息，如疏水性、體積、電荷和表面能。正是由于這些物化屬性的差異，使得各種不同的多肽在功能上存在著較大差異。經過理化特性數據集不斷的訓練，模型得到持續優化完善，最終能以較高的準確率預測AMPs。

2AMPs模型訓練數據的構建

隨著生物學實驗和生物信息學的發展，越來越多的AMPs數據累計，國內外的科研者們構建了許許多多的AMPs數據庫。而人工智能算法的表現很大程度上取決于訓練數據的構成。各類數據庫中海量的AMPs信息各有側重，應用于人工智能算法搭建的模型，可以應對不同需求的AMPs預測任務。常見的AMPs數據庫如表1所示。

APD3、ANTIMIC、CAMP、DAMPD等AMPs綜合數據庫是AMPs數據庫的主流。這些綜合數據庫不僅覆蓋了多種類型活性的AMPs，數據量豐富，而且提供了較充足的多肽相關信息和功能。它們通常會記錄AMPs的氨基酸序列、物理化學性質、抗菌性能、來源等注釋信息，大部分都提供了AMPs查詢、預測、序列比對的服務。APD3和DBAASP等都額外提供了多肽對于某些菌種的活性以及溶血活性。其中，DBAASP可以通過特定目標物種搜索肽的活性，對于AMPs活性的預測工作十分有幫助。StraPep收錄了生物活性肽以及它們的詳細結構信息。ANTIMIC是收錄了包含已知的和假定的AMPs的綜合數據庫。DAMPD作為其更新和替代品，為了方便AMP分析，還提供了BLAST、ClustalW、SignalP、AMP預測器等許多工具以及提供有關結果的附加信息的許多其他資源。

與綜合數據庫相比，專題數據庫更注重某些特定來源或者功效的AMPs，數據規模相應會更小。但是這些專題數據庫憑借專一性的優勢，可以在特定的研究領域起到強大的作用。MBPDB包括所有已知的來自任何物種的牛奶蛋白的生物活性肽，MilkAMP數據庫提供有關乳制品AMPs的微生物學和理化數據信息。此外還有諸如專注于植物源抗真菌肽的PlantAFP、研究抗腫瘤肽的CancerPP，以及針對抗病毒肽的AVPdb等等。這些專題數據庫為各自專注的研究方向提供了便利且充分的數據參考。

在人工智能算法領域，訓練模型通常需要正樣本（即AMPs）和負樣本（即非AMPs）的數據集。陰性數據（負樣本）是訓練過程中不可或缺的一部分，它們幫助模型學習到哪些特征不是AMPs所具有的，從而增強模型的判別能力。而由于沒有專門建立的陰性AMPs數據庫，研究者們也有不同的陰性數據選擇方法。例如，Yan Jielu等通過程序來生成所需量的多肽序列。Li Changjiang、Singh等則都在通用蛋白資源數據庫UniProt（https://www.uniprot.org/）中，通過設定一些限定條件，如特定長度范圍、經SwissProt審查等，并將與抗菌藥物相關的條目，如抗菌、抗生素、抗細菌、抗真菌和抗病毒等過濾掉，得到想要的陰性數據集。之后還要剔除含非天然氨基酸的序列，降低模型學習以及合成驗證的難度。非天然氨基酸包括：B（可代表天冬氨酸或天冬酰胺）、J（可代表亮氨酸或異亮氨酸）、O（吡咯賴氨酸）、U（硒半胱氨酸）、X（可代表任意或未知氨基酸）、Z（可代表谷氨酸或谷氨酰胺）。最終，通過CD-HIT，將序列的相似性降低到想要的閾值之下，避免模型學習到過多的某種不重要的特征。

3人工智能算法模型在AMPs預測中的多元化應用場景

1

3.1 經典機器學習算法模型

隨著機器學習算法迅速發展，目前已經有許多表現優異的機器學習模型被用于AMPs預測。這些經典的機器學習算法模型包括隨機森林（RF）、支持向量機（SVM）、K-鄰近（KNN）、模糊K最近鄰（FKNN）、決策樹（DT）、極端梯度增強（XGBoost）、邏輯回歸（LR）、樸素貝葉斯（NB）、隱馬爾可夫模型（HMM）等。這些算法利用多肽的物理化學和結構特征，包括疏水性、凈電荷、等電點、氨基酸組成等預測其生物活性（圖2）。例如，IAMPE采用了多種經典機器學習算法，結合了氨基酸的核磁共振譜的特異性，以及它們的物理化學特征來識別肽的活性。雖然分類器的整體性能并不比物理化學特征訓練的分類器好，但它們的組合產生了更合適的AMP預測機制。在以上諸多的算法模型中，被較多研究者最終用于預測AMPs的是RF和SVM模型。

RF算法通過構建多個DT并將它們的預測結果進行匯總來提高整體模型的準確性和魯棒性。在DT的每個分裂節點上，RF不是考慮所有可能的特征，而是隨機選擇一部分特征作為候選分割特征。每棵樹在不同的數據子集上訓練，且分裂時只考慮部分特征，降低了模型的過擬合風險。而且，每棵樹的構建是相互獨立的，因此RF可以并行化計算，訓練速度快。AMP-GSM通過將物理化學、語言、序列和基于結構的特征放入不同的組創建分組，并根據它們區分是否為AMPs的能力打分，最后利用RF分類器進行建模達到最佳分類效果。此外，RF算法對復雜相互作用的數據分類能力較強，能夠評估各個特征對預測結果的影響，十分適合AMPs預測這樣涉及大量生物數據的任務。

SVM算法的主要目的則是尋找一個超平面來對樣本進行分割，使得它到兩類樣本中最近點的距離（即間隔）最大，使得不同類別的樣本在平面的兩側。當訓練樣本線性不可分時，SVM可以通過引入核函數將輸入數據映射到高維特征空間，使其在高維空間中線性可分。AMPs預測過程中，通常會處理一些非線性的數據，且這些特征類型復雜，常常出現高維的特性，而SVM正好適合處理這樣的數據類型。Zhang Jin等根據定量結構-活性關系，以預測最小抑制濃度（MIC）為描述符，集成了一個基于SVM算法的精確抗真菌肽分類模型和針對特定目標真菌的4 種活性預測模型，以生成的“抗真菌指數”為肽提供排序，篩選出高效新型的抗真菌肽。

1

3.2 深度學習算法

傳統的機器學習方法需要對底層機制有全面的了解，才能準確地選擇最合適的特征。深度學習是一種先進的機器學習方法，使計算機能夠自動從原始數據中提取、分析和理解有價值的信息。這種方法能夠識別包含最重要信息的特征，同時忽略不太相關的參數，具有多種架構，例如，遞歸神經網絡（RNN）、卷積神經網絡（CNN）、人工神經網絡（ANN）、長短期記憶（LSTM）、注意力（Attention）等（圖2）。sAMPpred-GAT預測器通過預測的肽結構、序列信息和進化信息構建圖，隨后在此圖上運用圖注意網絡學習具有去區分性的判別特征。最終，采用全連接網絡作為輸出組件預測肽是否為AMPs。

RNN通過一些事件把這些特征更新到模型隱藏層的狀態中，再利用這些特征不斷循環地預估算出該事件后面應產生的結果，所以它被命名為循環神經網絡。Deep-AmPEP30便基于CNN開發，篩選了光假絲酵母的基因組序列，尋找并鑒定到的肽對枯草芽孢桿菌和副溶血性弧菌具有很強的抗菌活性。Diff-AMP則基于CNN進行多屬性預測，并采用基于強化學習的迭代優化策略來產生不同的AMP。AMPs-NET是一個將每個肽編碼為圖的卷積網絡，用于分辨抗菌活性。在這個圖中，一個節點代表一個原子，每個節點的特征向量由9 個元素組成，包括電荷和芳香性等屬性。

CNN在實際學習應用的開發過程中，刪除了人工特征提取的過程，能夠隱式地從受過訓練的數據中自動獲得這些特征。與其他用于深度學習中的模型網絡相比，CNN的模型神經元之間的相互連接并非完全連接，并且同一層網絡中的每個模型神經元之間也同樣存在著權重的相互共享，這兩個共同特點可以直接使CNN的神經網絡與生物學的神經網絡更加相近，同時大大降低了學習模型的操作復雜度。CACPP基于CNN和對比學習的深度學習框架，僅根據序列提取特征就可以準確預測抗癌肽。

LSTM本質上屬于在循環神經網絡結構進行二次開發的衍生產品。LSTM其實是一種特殊的RNN網絡，可以更好地處理長序列數據。為了解決RNN的缺陷，LSTM在RNN的基礎上添加了一組存儲單元，存儲單元可以允許網絡丟棄歷史信息，使用新的有用信息更新存儲單元。Wang等通過構建LSTM生成模型和雙向LSTM分類模型，設計對大腸桿菌具有潛在抗菌活性的AMP短序列。

當然，深度學習算法之間、與機器學習算法結合，也都是提升AMPs預測效果的好方案。例如，Huang Junjie等利用XGBoost算法進行判別和排序，接著結合LSTM進行回歸任務，一步步篩選出理想的AMP。再如，AMPpred-MFA在雙向LSTM網絡和CNN的基礎上，利用了多特征和多頭注意機制，形成一種可靠和有效的理解和預測AMP的方法。

1

3.3 遷移大語言模型的算法模型

深度學習方法需要大量的訓練數據集和復雜的架構設計。然而，這些挑戰可以通過實施遷移學習策略克服（圖2），遷移學習策略利用來自其他任務的預訓練模型。基于遷移學習的抗真菌肽（AFP）預測器，如Deep-AFPpred，采用了利用SeqVec預訓練模型的深度神經網絡。在這種方法中，肽序列被轉化為每殘基嵌入，隨后通過一系列卷積、池化、循環和密集層進行處理。最終，所得模型對最大長度為30 個殘基的肽表現出優異的性能。蛋白質語言模型是一種特殊類型的神經網絡，它具有根據前面的文本預測后續字符或詞匯的能力，并作為一種遷移學習工具在生物化學領域得到了應用，AFP-MFL便是一個例子。它首先構建了AFP的綜合特征概況，包括從預訓練的蛋白質語言模型中獲得的上下文語義信息、進化信息和物理化學性質。隨后，利用共同注意機制將語境語義信息與進化信息和物理化學性質信息分別進行整合。AMPDetector則將蛋白質語言模型與經典機器學習方法相結合，并在此基礎上集成了21 個模型的Python庫，用于抗微生物、抗細菌活性和抗病毒等各種生物活性類型的分類，平均精度超過83%。從概念上講，遷移學習可以設想為利用已經為特定任務訓練過的神經網絡，其中負責分類的最后一層被刪除，同時保留負責特征提取的初始層。然后可以添加新的層來構建適合不同任務的新模型。

現有研究表明，蛋白質語言模型在多個下游預測任務中取得了良好的結果。然而，不同的蛋白質語言模型是使用不同的訓練數據集開發的，導致每個模型對蛋白質表示的強調程度不同。因此，單個蛋白質語言模型可能存在蛋白質表示不完整的問題。然而隨著基于Transformer的自然語言模型的引入，例如Transformer的雙向編碼器表示（BERT），從自由文本中提取信息的性能在一般領域和醫學領域都得到了顯著提高。例如（表2），UniproLcad為了克服單一蛋白質語言模型固有的蛋白質表示不完整的問題，集成了3 種著名的蛋白質語言模型——ESM-2、ProtBert和UniRep，以獲得更全面的蛋白質特征表示。UniproLcad利用深度學習網絡，包括雙向長短時記憶網絡（Bi-LSTM）和一維卷積神經網絡（1D-CNN），同時還集成了注意機制來增強其能力。又如，iAMPAttenpred首次提出了基于BERT、CNN、Bi-LSTM和注意機制等多種深度學習方法的預測器，用于AMPs序列的預測和分類。它能夠將預處理后的基準數據集序列中的每個氨基酸作為一個詞，然后輸入BERT預訓練模型進行特征編碼，擁有極高的靈敏度和準確度。近幾年，中國科學院微生物研究所（病原微生物學與免疫學重點實驗室）的Ma Yue等將LSTM、Attention和BERT等多種自然語言處理神經網絡模型結合起來，形成了一個統一的管道，用于從人類腸道微生物組數據中識別候選AMP。在2 349 個候選AMPs序列中，216 個經化學合成，發現181 個具有抗菌活性（陽性率＞83%）。其中11 種最有效的AMPs對抗生素耐藥的革蘭氏陰性病原體具有很好的抑制效果，并且對細菌性肺部感染小鼠模型顯示出至少將細菌負荷降低為原來10%的顯著功效。這種多種語言模型和深度學習架構的集成提高了預測AMPs的準確性和可靠性，促進了該領域計算方法的進步。

4AMPs預測的數據來源與獲取途徑

模型訓練完成后，緊接著的就是預測潛在AMPs的性質，而隨著測序技術蓬勃發展，可預測的潛在AMPs數量也被大大豐富。傳統的AMPs的獲得途徑，包括但不限于從環境、某種生物的體內或體外分泌物中，經過一系列生物實驗進行提取鑒定。這樣的實驗過程會消耗大量的人力財力，更理想的方法是開發快速高效的預測方法進行初篩，再對候補的AMPs進行實驗驗證。蛋白質組、基因組、轉錄組等多組學技術，為AMPs的預測和設計開辟了新天地（圖3）。

天然AMPs可以通過蛋白質水解而來，從蛋白質組的角度出發，利用高通量蛋白質組學技術，對復雜生物樣本中的蛋白質進行全面分析，從中篩選出具有抗菌活性的肽段。中國科學院南海海洋研究所（應用海洋生物學重點實驗室）對太平洋牡蠣黏液蛋白進行了蛋白質組測序，通過設計的機器學習模型在蛋白質組學分析鑒定產生的約43 000 個肽中，選擇并評估了6 種肽的抗菌等能力，發現它們均能抑制金黃色葡萄球菌生長。Carballo等提出了一種基于機器學習的管道識別嵌入在蛋白質組中的AMPs，在20 min內即可分析蝦蛋白質組所有AMPs。在拓展分析了不同嚙齒類動物（普通雄鼠、普通大鼠和裸鼴鼠）的AMPs后，他們還額外發現物種壽命越長，預測的AMPs數量也越多。最近，蛋白質組挖掘的方法甚至已經發展到鑒定滅絕生物中的AMPs。

天然AMPs也可以在基因組中編碼形成。通過解析生物體的基因組能夠得到對應的氨基酸序列，能夠憑借對這些氨基酸序列的理化性質評估識別出潛在的AMPs。微生物生活在對抗和互惠的環境中，微生物的基因組正是AMPs的豐富來源之一。復旦大學腦激發智能科學技術研究所的研究提出了基于機器學習預測全球微生物組中的AMPs，在近100萬 個非冗余肽中挑選、合成并測試了100 種AMPs，得到了79 種有抗菌活性的多肽。轉錄組學測序技術能夠迅速且全面地捕捉某一物種特定器官或組織在特定狀態下的轉錄本全貌，也能為高效篩選活性多肽的表達序列提供有力支持。例如Shelenkov等開發的Cysmotif，可用于識別植物轉錄組中各種具有抗菌活性的AMPs序列。

除了從天然范圍獲得候選多肽序列，高效、精確地設計AMPs在AMPs開發領域具有重要意義。近年來，深度生成模型得到了快速發展，為肽的從頭設計提供了機會。Dean等將肽編碼到潛在空間中，并在已知AMPs和其混亂版本之間的預測向量上插入，以產生新的肽。PepCVAE和CLaSS采用變分自編碼器模型生成序列；AMPGAN使用生成式對抗網絡（GAN）生成新的肽序列，并使用鑒別器區分出AMP；LSSAMP可以同時生成具有理想序列屬性和二級結構的肽。

在數字空間里，除了依靠模型從頭設計生成序列之外，還有一些現有的肽數據庫可以進行預測。例如，Zhang Jin等在UniProt中，選擇氨基酸殘基長度在11～75之間的3 445 312 個多肽，在其中利用搭建的算法模型預測它們的抗真菌性。類似地，浙江大學的Huang Junjie團隊設計了一個機器學習管道，預測由6～9 個氨基酸組成的整個虛擬肽庫中的數千億序列，篩選得到的多肽制劑很好地治療了細菌性肺炎小鼠，且毒性可忽略不計。

綜上所述，多種組學產生的數據以及一些有趣的現有多肽數據集合，都能夠作為人工智能學習算法的目標，利用不同特性多肽的理化特性，經過分類篩選都可以得到滿足高抑菌性、高選擇性、低溶血性、低細胞毒性等需求的新型AMPs。

5AMPs的結構設計與功能改造策略

AMPs是一種天然、安全的新型化學抗菌劑替代品，有望在食品工業中廣泛推廣，然而，在許多情況下AMPs存在溶解度差、膜滲透性差、穩定性低和生產成本高等問題，限制了其被有效應用。例如，乳鏈球菌肽是一種廣泛使用和商業開發的AMPs防腐劑，主要用于乳制品和肉制品的保存。然而，乳鏈球菌肽在酸性pH值條件下有效，但在pH 7以上會失去活性。它在較高溫度條件下也不穩定，對革蘭氏陰性菌、霉菌和酵母菌沒有活性。這些缺陷限制了其廣泛的應用。因此，挖掘設計廣譜、穩定、低毒、高效的新型AMPs對于保障食品安全具有重要意義。

多肽分子相比較小分子，選擇性更好、毒性更低但穩定性較差。天然的多肽由酰胺鍵連接的氨基酸鏈組成，缺乏二級或三級結構所賦予的穩定性。在體內，暴露在環境中，酰胺鍵很容易被酶水解或破壞，使多肽在化學和物理上都不穩定，半衰期短，體內消除快。Liu Wenjie等著眼于將肽轉化為小分子，以解決肽穩定性問題。他們基于3 種機器學習方法搭建模型觀察是否能夠識別肽的“生物活性”特征，并利用這些特征準確區分對活性有貢獻的部分。Wang Fanjin等利用KNN算法，僅根據氨基酸序列預測了肽治療劑的胃腸道穩定性。經過特征重要性分析，研究發現肽的親脂性、剛性和大小是穩定性的關鍵決定因素，為開發穩定的多肽提供了方向。

基因組中的錯義變異，甚至單點突變會影響蛋白質結構的穩定性，進而影響細胞的生理行為。PTPAMP據此提供了肽設計模塊，用戶可以獲得某個氨基酸被取代的肽突變體、與該突變體對應的預測分數和肽特性，最終選擇最佳的肽突變體。Diff-AMP搭建了一個能夠處理AMP生成、識別篩選、多屬性預測和迭代優化等任務的集成框架。迭代優化部分基于強化學習的迭代優化策略，全面捕獲復雜信息，從而生成滿足多種需求的AMP。這些研究為挖掘并改造出更加高效穩定的新型AMPs提供了積極的探索示范。

6 結 語

在食品保鮮領域，AMPs展現出了極大的應用潛力，對延長食品的保質期具有顯著作用。但目前的AMPs仍存在生物易降解、細胞毒性、成本高等問題，制約其在食品工業中的廣泛應用。隨著人工智能算法和高通量篩選技術的飛速發展，AMPs預測工作得到了強大的助力，讓精準篩選出高效低毒的AMPs成為可能。本文介紹了AMPs的研究現狀，重點歸納多種人工智能算法模型在AMPs預測上的應用，以及各類AMPs數據庫，并且總結了人工智能算法預測AMPs的來源、改造方向，為該領域相關研究者提供借鑒和幫助。

目前，大部分研究對AMPs的結構-活性關系掌握得不夠深入，預測準確度沒有實際上的高。而隨著算法迭代升級加快，各種需求不斷涌現，不再局限于AMPs的識別，研究者們更希望得到更廣譜抑菌、低毒、低成本、高穩定性的AMPs。這引導著人工智能算法在預測AMPs領域繼續前進，朝著提升準確度、提高預測效率、豐富預測結果的方向發展。

通信作者：

劉亞楠，寧波大學副教授，加拿大University of Guelph訪問學者。主要從事食品微生物與生物技術領域的研究，學術專長為發酵食品、抗菌肽機制及材料設計、天然活性多肽功效解析。主持國家自然科學基金、教育部產學研項目、寧波市重點研發及橫向課題等11 項。以第一作者或通信作者身份在國內外重要學術期刊發表論文20余篇。申請國家發明專利7 項。目前擔任《Modern Agriculture》副編委、《輕工學報》青年編委，長期擔任Food Research International、Food & Function等多家國際著名學術期刊審稿人。指導本科生分別榮獲第八屆、第九屆國際“互聯網+”大學生創新創業大賽國家級銀獎、浙江省金獎，第十八屆“挑戰杯”大學生課外學術科技作品競賽浙江省銅獎等。

張鑫，博士、副教授，2013年畢業于南京農業大學食品科學專業，獲博士學位。畢業后進入寧波大學食品與藥學學院食品科學與工程系工作。目前主要從事食品生物技術領域研究工作，特別是植物多酚與人體腸道菌群之間的相互作用及植物發酵產品的開發。近年來，主持和參與各類科研項目10余項，其中主持國家自然科學基金1 項，主持浙江省自然科學基金2 項；以第一或通信作者發表60余篇高水平SCI論文，其中TOP期刊20余篇，ESI高被引論文4 篇。

第一作者：

錢宇辰，寧波大學食品科學與工程學院2022級碩士研究生。研究方向：機器學習挖掘抗菌肽。

本文《人工智能算法在抗菌肽預測領域的應用》來源于《食品科學》2025年46卷第11期384-393頁，作者：錢宇辰，聶挺，花彥銘，徐詩瑩，郭盛，張鑫，羅小虎，劉亞楠。DOI:10.7506/spkx1002-6630-20241126-174。點擊下方閱讀原文即可查看文章相關信息。

實習編輯：李雄；責任編輯：張睿梅。點擊下方閱讀原文即可查看全文。圖片來源于文章原文及攝圖網

為了幫助食品及生物學科科技人員掌握英文科技論文的撰寫技巧、提高SCI期刊收錄的命中率，綜合提升我國食品及生物學科科技人員的高質量科技論文寫作能力。《食品科學》編輯部擬定于2025年8月7-8日在 中國 湖南 長沙 舉辦“第12屆食品與生物學科高水平SCI論文撰寫與投稿技巧研修班”，為期兩天。

長按或微信掃碼了解詳情

為貫徹落實《中共中央國務院關于全面推進美麗中國建設的意見》《關于建設美麗中國先行區的實施意見》和“健康中國2030”國家戰略，全面加強農業農村生態環境保護，推進美麗鄉村建設，加快農產品加工與儲運產業發展，實現食品產業在生產方式、技術創新、環境保護等方面的全面升級。由 中國工程院主辦， 中國工程院環境與輕紡工程學部、北京食品科學研究院、湖南省農業科學院、岳麓山工業創新中心承辦， 國際食品科技聯盟（IUFoST）、國際谷物科技協會（ICC）、湖南省食品科學技術學會、洞庭實驗室、湖南省農產品加工與質量安全研究所、中國食品雜志社、中國工程院Engineering編輯部、湖南大學、湖南農業大學、中南林業科技大學、長沙理工大學、湘潭大學、湖南中醫藥大學協辦的“ 2025年中國工程院工程科技學術研討會—推進美麗鄉村建設-加快農產品加工與儲運產業發展暨第十二屆食品科學國際年會”，將于2025年8月8-10日在中國 湖南 長沙召開。

長按或微信掃碼進行注冊