Unveiling dual-functional umami peptides with antioxidant effects from eggshell membrane byproducts: A machine learning-guided approach integrating molecular simulation and quantum chemistry
Notice bibliographique
Résumé
This study developed an efficient strategy for exploring novel dual-functional umami peptides with antioxidant activity from eggshell membrane (ESM), a protein-rich byproduct of the food industry, by integrating machine learning, molecular docking, molecular dynamics simulations, quantum chemistry and in vitro validations. Three novel peptides (CDDDF, WHDCHR, and CWDVYR) were identified from in silico ESM hydrolysates. The synthesized peptides exhibited pronounced umami taste with low recognition thresholds (0.04–0.10 mM), significant umami-enhancing effects, and potent free radical scavenging and reducing capacities. Quantum chemical analyses indicated that Cys, Asp, and Trp residues served as key active sites for both umami recognition and antioxidant activities. Molecular docking and dynamics simulations revealed that these peptides could stably bind to key amino acids in T1R1/T1R3 through hydrogen-bonding and hydrophobic interactions. This work provides robust guidance for discovering functional umami peptides from sustainable protein sources and offers novel insights into their structure-activity relationships and taster mechanisms. • Three dual-functional umami peptides were identified by an in silico- guided strategy. • The ESM peptides exhibited umami taste, umami enhancement and antioxidant effects. • The molecular mechanism was explored by molecular simulation and quantum chemistry. • The residues C, D, W were key active sites for both umami and antioxidant function. • Hydrogen bonding and hydrophobic interactions play key roles in umami perception.
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 | 0,001 |
| 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 | 0,001 |
| 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 ».