一种基于深度学习的鲜味肽预测方法及系统

本发明公开了一种基于深度学习的鲜味肽预测方法及系统，该方法包括如下步骤：S1、构建数据集；S2、特征选择与处理；S3、构建Umami‑Transformer模型：构建包含特征处理与生成模块、序列信息处理模块、特征信息处理模块和结果输出模块的Umami‑Transformer模型；S4、模型训练：S5、鲜味肽预测：将待测肽序列输入训练好的Umami‑Transformer模型，得到其为鲜味肽的概率预测结果。本发明通过融合Transformer架构与8种关键物理化学特征，能够高效处理肽序列信息，显著提升鲜味肽预测精度。进一步结合穷举法筛选所有二肽至五肽，并通过分子对接技术解析候选肽与鲜味受体T1R1/T1R3的相互作用机制，最终实现从理论预测到生物实验验证的全流程研究，为鲜味肽的高效挖掘及功能应用提供了创新技术路径。