一种基于机器学习的黄精蛋白酶解工艺优化方法及系统

本发明涉及酶解工艺优化，具体涉及一种基于机器学习的黄精蛋白酶解工艺优化方法及系统。

背景技术：

1、黄精蛋白酶解工艺的研发目标为，通过较少的实验次数获得更高的水解度（dh）、更优的活性肽生成能力与稳定的工艺窗口。当前主流研发流程主要依赖经验筛选、单因素试验与响应面法，可完成局部参数区间的优化，但当酶种、酶添加量、反应时间、温度、ph及底物差异多个变量同时存在时，参数组合的数量将快速增长，相应推高了实验成本与分析负担。

2、现有公开文献中已积累了大量酶解工艺的研究结果，涵盖了底物类型、酶种、酶浓度、反应时间与水解效果之间的对应关系。但此类数据分散刊载于不同文献的图表与正文中，且字段统计口径不统一，导致研发人员难以直接将其整理为模型训练集，也无法构建适配黄精蛋白场景的可迁移预测模型。

3、本发明以论文《optimizing mung bean and soybean hydrolysis for thegeneration of bioactive peptides of potential functional food applications》中的实验结果作为原始训练数据，通过机器学习方法重构结构化样本、建立预测模型并输出优化推荐条件，为黄精蛋白酶解工艺优化提供可落地的先验建模框架和基础技术支撑。

技术实现思路

1、针对以上现有技术的不足，本发明提供一种基于机器学习的黄精蛋白酶解工艺优化方法及系统。

2、为实现上述目的，本发明的具体技术方案如下：

3、第一方面，本发明提供一种基于机器学习的黄精蛋白酶解工艺优化方法，包括以下步骤：

4、获取实验数据，将实验数据按统一字段体系进行字段映射、口径校验和标准化预处理，构建可输入同一训练框架的结构化数据集；

5、采用数据集分别训练主工艺优化模型和候选肽筛选辅助模型，所述主工艺优化模型对单目标响应或多目标响应进行回归预测，所述候选肽筛选辅助模型对活性肽候选进行优先级判别；

6、基于代理搜索、遗传式搜索和/或梯度式局部细化获得优选工艺条件；其中，所述代理搜索用于样本量较少阶段的候选条件推荐，所述遗传式搜索用于全局参数组合搜索，所述梯度式优化用于在候选条件附近进行局部细化；

7、对所述优选工艺条件进行实验验证，并将验证结果并入数据集继续训练，以最小化权重化综合目标函数为目标更新模型参数；当连续迭代中推荐工艺条件变化量、综合目标函数改善量和交叉验证性能波动均低于预设阈值时，判定模型收敛至黄精蛋白酶解专用工艺空间。

8、进一步地，所述实验数据至少包括输入字段和输出响应字段；对于主工艺优化模型，所述输入字段包括酶种、温度、ph、时间、底物浓度、酶底比、原料或预处理状态以及数据来源；其中，所述数据来源用于区分文献样本、内部实验样本和验证回流样本，并作为样本权重、批次校正或置信度标记使用；所述输出响应字段包括水解度、肽得率、抗氧化活性、分子量分布等响应指标。本发明将文献样本和后续黄精蛋白酶解内部实验样本统一映射为“原料/预处理状态-酶种-温度-ph-时间-底物浓度-酶底比-数据来源-响应指标”的结构化样本，形成适用于黄精蛋白酶解场景的训练数据体系。对于候选肽筛选辅助模型，所述输入字段包括酶解产物的分子量、疏水性、净电荷、二级结构比例及氨基酸组成等特征，所述输出响应字段为活性候选类别或候选优先级。

9、进一步地，所述对目标响应进行回归预测包括对单目标响应进行回归预测或对多目标响应进行回归预测；其中，所述单目标响应包括水解度；所述多目标响应包括水解度、肽得率、抗氧化活性和分子量分布中的至少两类指标。

10、本发明建立了一种面向黄精蛋白酶解工艺的机器学习优化方法，该方法以文献数据与后续内部实验数据为训练基础，以主工艺优化模型为例，所述主工艺优化模型以酶种、温度、ph、时间、底物浓度、酶底比等工艺条件为输入，以水解度、肽得率、抗氧化活性、分子量分布等指标为输出，通过回归模型与优化算法得到优选工艺条件，并通过实验结果回流实现模型的迭代更新。为保证方案具备可计算性与可重复性，优选将每一次酶解实验表示为输入条件向量与实验响应向量构成的样本对，如下所示：

11、

12、

13、在上述输入条件向量中，各输入量依次对应酶种、反应温度、反应酸碱度、反应时间、底物浓度、酶底比、底物或预处理状态以及数据来源；在上述响应向量中，各输出量依次对应水解度、肽得率、抗氧化等生物活性指标以及分子量分布相关指标。

14、对数值型输入变量进行标准化处理：

15、

16、其中，表示第i个样本在第j个数值字段上的原始值；表示该字段均值；表示该字段标准差；表示标准化后的字段值；

17、对类别型输入变量进行独热编码处理，分别得到编码向量onehot()、onehot()和onehot()，并与数值型标准化变量拼接形成模型输入向量。

18、进一步地，所述主工艺优化模型可采用弹性网络回归模型，并以偏最小二乘回归模型、支持向量回归模型、线性回归模型或响应面二次回归模型作为对比模型；所述候选肽筛选辅助模型可采用支持向量机模型，并以偏最小二乘判别模型、逻辑回归模型或随机森林模型作为对比模型。

19、进一步地，所述主工艺优化模型表示为：

20、

21、其中，表示由参数确定的回归模型；表示模型预测的响应向量。

22、进一步地，所述权重化综合目标函数表示为：

23、

24、其中，wdh、wyield、waox、wmw为目标权重，为归一化函数，为目标分子量分布区间。

25、进一步地，所述优选工艺条件表示为：

26、

27、其中，x满足温度、ph、时间、底物浓度、酶底比和设备可操作范围等工艺约束。

28、进一步地，所述代理搜索的采集函数表示为：

29、

30、其中，为代理模型预测均值；为预测不确定度；为探索权重。

31、进一步地，所述遗传式搜索的群体更新表示为：

32、

33、其中，p(g)为第g代候选工艺群体；mutate、crossover和select分别表示变异、交叉和选择操作。

34、进一步地，所述梯度式局部细化表示为：

35、

36、其中，为步长；为目标函数梯度；表示投影至可行工艺空间。

37、进一步地，将模型迭代更新表示为：

38、

39、其中，d(t)为第t轮训练样本集；d(t)为新增黄精实验验证样本；为更新后的模型参数。

40、本发明采用标准化处理公式对不同量纲的输入变量进行统一处理，采用独热编码处理将酶种、预处理状态和数据来源转换为模型可识别特征；通过预测公式建立工艺条件与目标响应之间的映射关系；采用权重化综合目标函数平衡高水解度、高肽得率、高活性和目标分子量分布，其中各权重系数用于表征不同优化目标的重要程度，针对黄精蛋白应用场景，可根据研发目标调整各权重系数，例如以活性为优先目标时提高活性对应的权重，以得率为优先目标时提高得率对应的权重；归一化函数用于消除不同输出指标之间的量纲差异；搜索与更新公式分别对应代理搜索、遗传式搜索、梯度式局部细化和实验回流再训练。针对单目标场景，可仅保留水解度回归模型；针对多目标场景，可同时训练多个输出子模型。

41、最优工艺条件求解公式用于在可行工艺空间内确定优选参数组合；基于采集函数的搜索公式对应代理模型驱动的贝叶斯式搜索策略；群体更新公式对应遗传式全局优化策略；局部更新公式对应梯度式局部细化策略。三种优化方式可根据数据阶段择一采用，也可按“代理搜索生成候选条件、遗传式搜索扩大全局候选、梯度式优化局部细化”的顺序组合采用；当获得新的黄精实验结果后，将增量样本并入现有数据集，并重新训练主工艺优化模型与候选肽筛选辅助模型，得到更新后的模型参数，从而形成文献数据与内部实验数据联合驱动的闭环迭代机制。

42、进一步地，多目标优化模块在给定温度、ph、反应时间、底物浓度和酶底比约束下，对候选工艺条件计算水解度、肽得率、抗氧化活性和分子量分布的预测值；随后对各预测值归一化并按照预设权重形成综合评分，按照综合评分对候选工艺条件排序，从而在同一约束集合内输出兼顾高活性与高得率的优选工艺条件。

43、第二方面，本发明提供一种基于机器学习的黄精蛋白酶解工艺优化系统，包括：

44、数据获取模块：用于收集黄精蛋白酶解实验的输入条件和输出响应；所述数据获取模块包括：数据接入单元、字段映射单元、口径校验单元和数据存储单元；其中，所述数据接入单元负责接入文献样本、内部实验样本和验证回流样本；所述字段映射单元负责将原始字段映射为原料或预处理状态、酶种、温度、ph、时间、底物浓度、酶底比、数据来源和响应指标；所述口径校验单元负责统一温度单位、时间单位、浓度单位和响应指标名称；所述数据存储单元负责构建可训练样本集。

45、字段标准化模块：用于对类别特征、数值特征、缺失值和量纲差异进行统一处理，作用是消除不同来源实验之间的口径差异，使不同样本可以输入同一回归模型或优化模型。

46、机器学习建模模块：用于建立工艺条件到目标响应之间的映射关系；所述机器学习建模模块包括：特征编码单元、回归建模单元、分类建模单元和模型评估单元；其中，所述特征编码单元负责完成独热编码、数值标准化和缺失值填补；所述回归建模单元负责预测水解度、肽得率、抗氧化活性和分子量分布；所述分类建模单元以肽分子量、疏水性、净电荷、二级结构比例及可选氨基酸组成特征为输入，输出活性候选类别或候选优先级；所述模型评估单元负责完成交叉验证、独立测试集验证、准确率、f1值和误差指标计算。

47、优化模块：用于在可行工艺空间内搜索优选参数组合；所述优化模块包括代理搜索单元、全局搜索单元和局部细化单元；其中，所述代理搜索单元对应贝叶斯式搜索，用于在小样本阶段兼顾预测均值和不确定性；所述全局搜索单元对应遗传式搜索，用于在酶种、温度、ph、时间、底物浓度和酶底比组合空间内搜索全局候选；所述局部细化单元对应梯度式优化，用于对高评分候选条件进行邻域细化。

48、验证与迭代模块：用于接收新的黄精实验结果并完成闭环更新，作用是将最新实验结果反馈至样本库，并重新训练主工艺优化模型与候选肽筛选辅助模型，得到更新后的模型参数，使模型逐步收敛到黄精专用工艺空间。

49、本发明的核心点在于：通过包含数据来源、原料或预处理状态和响应指标的统一字段体系，将不同来源酶解工艺样本转换为机器学习可处理的结构化向量；通过主工艺优化模型建立工艺参数与多目标响应之间的映射关系；通过候选肽筛选辅助模型把工艺条件优化结果关联到活性肽候选验证对象；通过代理搜索、遗传式搜索和梯度式局部细化的分阶段搜索机制在可行工艺空间内输出优选参数；通过黄精蛋白酶解内部数据回流再训练，使系统输出数据逐步贴近黄精蛋白的真实酶解特性。所述候选肽筛选辅助模型同样采用实验回流再训练机制进行迭代更新：在对优选工艺条件进行实验验证的同一批次中，对酶解产物中识别得到的候选肽计算其分子量、疏水性、净电荷、二级结构比例及氨基酸组成等特征，并测定其活性以确定活性候选类别或候选优先级，形成新的候选肽标注样本；将所述新增候选肽样本并入候选肽数据集后对辅助模型重新训练；当连续迭代中候选肽优先级排序的变化量与分类性能指标（准确率、f1值）的波动均低于预设阈值时，判定所述辅助模型收敛。由此，同一批黄精蛋白酶解验证实验同时为主工艺优化模型与候选肽筛选辅助模型提供新增训练样本，使两类模型在闭环迭代中协同更新。

50、第三方面，本发明提供一种通用计算机设备，包括：处理器、存储器和输入输出接口，所述存储器存有程序；当所述程序被所述处理器处理时，执行所述基于机器学习的黄精蛋白酶解工艺优化方法。具体地，所述程序包括：数据采集、标准化、建模、优化和迭代更新程序；所述存储器还用于存储样本集、模型参数和优化结果；所述输入输出接口用于接收实验数据和输出推荐工艺条件。上述硬件资源与各模块形成一一对应的执行关系，从而保证本技术方案能够在计算设备上稳定运行。

51、第四方面，本发明提供一种非暂态计算机可读存储介质，所述非暂态计算机可读存储介质存储有计算机指令，所述计算机指令使所述计算机执行所述的一种基于机器学习的黄精蛋白酶解工艺优化方法。

52、与现有技术相比，本发明的有益之处在于：

53、1、本发明提供的面向黄精蛋白酶解工艺的机器学习优化方法以文献数据与后续内部实验数据为训练基础，以工艺条件为输入，以水解度、肽得率、抗氧化活性、分子量分布等指标为输出，通过主工艺优化模型与优化算法得到优选工艺条件。区别于仅进行常规回流再训练的模型构建方式，本发明在数据层设置“原料/预处理状态-酶种-温度-ph-时间-底物浓度-酶底比-数据来源-响应指标”的统一字段体系，在模型层设置主工艺优化模型和候选肽筛选辅助模型，在优化层设置代理搜索、遗传式搜索和梯度式局部细化的分阶段搜索机制，在验证层设置基于推荐工艺变化量、综合目标函数改善量和交叉验证性能波动的收敛判据。上述组合使黄精蛋白酶解样本能够从文献数据迁移到黄精内部实验数据，并使模型推荐逐步贴近黄精蛋白的真实酶解特性。

54、2、本发明方法中设置两类相互联动的模型：主工艺优化模型以酶种、温度、ph、时间、底物浓度、酶底比、原料或预处理状态和数据来源为输入，输出水解度、肽得率、抗氧化活性和分子量分布等工艺响应；候选肽筛选辅助模型以肽分子量、疏水性、净电荷、二级结构比例及可选氨基酸组成特征为输入，输出活性候选类别或候选优先级。该双模型结构能够把“工艺条件是否优选”和“产物肽是否具备目标活性”两个判断环节耦合起来，提高后续实验验证的针对性和有效性。