Deep Learning-Driven Optimization of Antihypertensive Properties from Whey Protein Hydrolysates: A Multienzyme Approach
Notice bibliographique
Résumé
This study utilized deep learning to optimize antihypertensive peptides from whey protein hydrolysate. Using the Large Language Models (LLMs), we identified an optimal multienzyme combination (MC5) with an ACE inhibition rate of 89.08% at a concentration of 1 mg/mL, significantly higher than single-enzyme hydrolysis. MC5 (1 mg/mL) exhibited excellent biological stability, with the ACE inhibition decreasing by only 6.87% after simulated digestion. In in vivo experiments, MC5 reduced the systolic and diastolic blood pressure of hypertensive rats to 125.00 and 89.00 mmHg, respectively. MC5 significantly lowered inflammatory markers (TNF-α and IL-6) and increased antioxidant enzyme activity (SOD, GSH-Px, GR, and CAT). Compared to the MC group, the MC5 group showed significantly reduced serum renin and ET-1 levels by 1.25-fold and 1.04-fold, respectively, while serum NO content increased by 3.15-fold. Furthermore, molecular docking revealed four potent peptides (LPEW, LKPTPEGDL, LNYW, and LLL) with high ACE binding affinity. This approach demonstrated the potential of combining computational methods with traditional hydrolysis processes to develop effective dietary interventions for hypertension.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».