人工神經網絡在蛋白質降解基礎上預測幹醃火腿多元品質的應用

2021-01-09 網易

　　中國肉類食品綜合研究中心，肉類加工技術北京市重點實驗室朱寧、王守偉教授等人 於11月9日在Food Chemistry上在線發表了文章《Application of artificial neural networks to predict multiple quality of dry-cured ham based on protein degradation》，該文研究了幹醃火腿加工過程中蛋白質降解和品質變化，建立了基於蛋白質降解的多元品質預測模型 。朱寧為第一作者，王守偉教授為本文通信作者。

　　研究亮點

　　* 幹醃火腿加工過程中蛋白質發生顯著降解；

　　* 通過電子仿生技術，分析幹醃火腿品質特性；

　　* 藉助神經網絡系統，構建基於蛋白質降解的火腿多元品質預測模型。

　　

　　中國肉類食品綜合研究中心，肉類加工技術北京市重點實驗室的Ning Zhu、Shou-wei Wang等人 研究了幹醃火腿加工過程中蛋白質降解和品質變化，建立了基於蛋白質降解的多元品質預測模型。隨著火腿發酵時間的延長，蛋白質降解指數顯著增加，從原料至火腿醃製期，外側樣品的蛋白降解指數高於內側樣品；從風乾期至熟化後期，內外兩側樣品中蛋白質降解指數無顯著差異。蛋白質降解可作為火腿品質控制的重要指標。利用trainlm算法，構建網絡拓撲結構為5-20-5，輸入-隱含層的傳遞函數為logsig，隱含-輸出層的傳遞函數為tansig，神經元個數為20的BP神經網絡模型，該模型可很好地通過蛋白質降解情況預測產品品質。

　　第一作者簡介

　　朱寧

　　朱寧，女，漢族，1991年02月11日生，山東濰坊人，中共黨員。

　　教育經歷：

　　2009.9-2013.7 青島農業大學 食品科學與工程學院 食品科學與工程專業 學士

　　2013.9-2015.7 北京林業大學 生物科學與技術學院 農產品加工及貯藏工程專業 碩博連讀

　　2015.9-2018.7 北京林業大學 生物科學與技術學院 森林生物資源利用專業 博士

　　工作經歷：

　　2018.7-至今 中國肉類食品綜合研究中心 博士後

　　通信作者簡介

　　王守偉 教授級高級工程師

　　王守偉，教授級高級工程師，中國肉類食品綜合研究中心主任、北京食品科學研究院院長、國家肉類加工工程技術研究中心及國家肉類食品質量監督檢驗中心主任，兼任國務院食品安全專家委員會委員、中國食品科學技術學會常務理事、肉類加工產業技術創新戰略聯盟理事長，享受國務院政府特殊津貼，獲北京市有突出貢獻專家等多項榮譽稱號。長期從事肉品科學與技術、食品安全領域研究，致力於肉類產業重大關鍵共性技術問題研究及科技成果轉化與產業化。主持和承擔國家重點研發專項、國家「863」計劃、國家科技支撐計劃、公益性行業專項、國家自然科學基金等項目/課題20餘項，發表科技論文130餘篇，獲授權發明專利10餘件，制修訂國家/行業標準6 項，出版專著8 部，獲國家科技進步二等獎1 項、省部級科技進步一等獎10 項（第一完成人）。

　　Abstract

　　Application of artificial neural networks to predict multiple quality of dry-cured ham based on protein degradation

　　Ning Zhu, Kai Wang, Shun-liang Zhang, Bing Zhao, Jun-na Yang, Shou-wei Wang

　　Highlight
Proteins degradation parameters had significant changes throughout the processing.
Electronic bionic methodologies were used to observe the quality properties.
A BP model was developed to predict the multi-quality based on protein degradation.

　　This study investigated protein degradation and quality changes during the processing of dry-cured ham, and then established the multiple quality prediction model based on protein degradation. From the raw material to the curing period, proteolysis index of external samples were higher than that of internal samples, however, the difference gradually decreased from the drying period to the maturing period. Protein degradation can be used as indicators for controlling quality of the hams. With protein degradation index as input variables, the back propagation-artificial neural networks (BP-ANN) models were optimized, with training function of trainlm, transfer function of logsig in input-hidden layer and tansig in hidden-output layer, and 20 hidden layer neurons. Furthermore, the relative errors of predictive data and experimental data of 12 samples were approximately 0 with the BP-ANN model. Results indicated that the BP-ANN has great potential in predicting multiple quality of dry-cured ham based on protein degradation.

　　該文章《Application of artificial neural networks to predict multiple quality of dry-cured ham based on protein degradation》於《Food Chemistry》2020年11月9日在線發表。

　　編輯：袁藝；責編：張睿梅

　　圖片來源於原文

特別聲明：以上內容(如有圖片或視頻亦包括在內)為自媒體平臺「網易號」用戶上傳並發布，本平臺僅提供信息存儲服務。

Notice: The content above (including the pictures and videos if any) is uploaded and posted by a user of NetEase Hao, which is a social media platform and only provides information storage services.

相關焦點

  • 人工神經網絡及其應用
    2 人工神經網絡的種類及應用領域2.1人工神經網絡的種類人工神經網絡的模型很多，可以按照不同的方法分類進行分類。其中比較常用的分類方法是，按網絡連接的拓撲結構分類和按網絡內部的信息流向分類。2.2人工神經網絡應用領域神經網絡在國民經濟和國防科技現代化建設中具有廣闊的應用領域和發展前景。神經網絡具有人規模並行、分布式存儲和處理、白組織、白適應和自學習能力，特別適用丁處理需要同時考慮多因素和多條件的、不精確和模糊的信自、處理問題。
  • 人工神經網絡的五大主要應用場景
    人工神經網絡是一種嘗試，模擬組成人腦的神經元網絡，這樣計算機就能像人一樣學習事物並做出決策。人工神經網絡是通過對普通計算機進行編程而產生的，使它們的行為類似於人類的相互連接的腦細胞。人工神經網絡是受人腦啟發的計算模型。人工神經網絡最近的許多進展都是在人工智慧領域取得的，包括語音識別，圖像識別，以及基於人工神經網絡的機器人。
  • 機器學習算法盤點:人工神經網絡、深度學習
    機器學習算法盤點：人工神經網絡、深度學習 佚名 發表於 2016-08-01 16:26:33 　　機器學習無疑是當前數據分析領域的一個熱點內容。很多人在平時的工作中都或多或少會用到機器學習的算法。
  • Nat Methods:計算神經網絡驅動下一代「蛋白質預測技術」的誕生
    2019年10月23日 訊 /生物谷BIOON/ --一直以來，合成生物學家一直試圖通過改變自然界中存在的蛋白質，甚至是從頭合成蛋白質，將其進化的途徑掌握在自己手中。通過人工構建不同類型的蛋白，可以設計藥物，感測生物信號，以及生產高價值化學品，等等。為了設計蛋白質，科學家們使用了兩種截然不同的方法。
  • 機器學習算法匯總:人工神經網絡、深度學習及其它
    在建立預測模型的時候，監督式學習建立一個學習過程，將預測結果與「訓練數據」的實際結果進行比較，不斷的調整預測模型，直到模型的預測結果達到一個預期的準確率。監督式學習的常見應用場景如分類問題和回歸問題。而強化學習更多的應用在機器人控制及其他需要進行系統控制的領域。 算法類似性根據算法的功能和形式的類似性，我們可以把算法分類，比如說基於樹的算法，基於神經網絡的算法等等。當然，機器學習的範圍非常龐大，有些算法很難明確歸類到某一類。而對於有些分類來說，同一分類的算法可以針對不同類型的問題。
  • 人工神經網絡在區塊鏈技術中的應用是什麼
    打開APP 人工神經網絡在區塊鏈技術中的應用是什麼 考拉 發表於 2020-01-13 16:17:00 人工神經網絡在解決分類、回歸、函數估計和降維等問題中非常有用。
  • 人工神經網絡的特點有哪些
    人工神經網絡的特點和優越性，主要表現在三個方面： 第一，具有自學習功能。例如實現圖像識別時，只在先把許多不同的圖像樣板和對應的應識別的結果輸入人工神經網絡，網絡就會通過自學習功能，慢慢學會識別類似的圖像。自學習功能對於預測有特別重要的意義。
  • Bioinformatics|用深度神經網絡結合局部和全局特徵預測蛋白質的...
    文章研究了如何利用蛋白質的局部和全局胺基酸序列來預測蛋白質的結合位點，作者用一個49維的向量(其中包括原始胺基酸、胺基酸的PSSM、胺基酸的二級結構狀態)來表示任意一個胺基酸，最後將得到的局部和全局胺基酸序列的向量表示連接起來，輸入到一個深度神經網絡做預測。1、研究背景PPI site背景：1、現存的方法主要使用局部上下文特徵來預測PPI site。
  • 基於深度神經網絡的脫硫系統預測模型及應用
    關鍵詞：燃煤電廠；脫硫系統；計算機模擬；深度學習；神經網絡；預測；模型應用；智慧環保；當前，國家正加快推進以 5G、人工智慧、工業網際網路、物聯網為代表的新型基礎設施建設（新基建），電力行業的智能化建設也蓬勃發展。國內大型火力發電廠很早就實現了廠級 DCS 數據監控，歷史運行數據豐富，為實現數據驅動的神經網絡建模提供了有利條件。
  • 對人工神經網絡「開刀」,利用神經科學消融法檢測人工神經網絡
    在此之前，消融已經被應用在一些人工神經網絡的研究中，但這些研究主要關注於調整神經網絡層和改變其結構，因此更像是參數搜索而不是生物學的消融法。Mayes Meisen 以及他們的同事 Peter Lillian 進行這項實驗的目的是想從生物學的角度檢驗人工神經網絡，評估它們的結構以及不同組成部分的不同功能。
  • 人工神經網絡終於可以清晰地解讀人類基因調節
    這種算法是一種人工神經網絡(ANN)。受大腦中神經元連接和分支方式的啟發，神經網絡是高級機器學習的計算基礎，不過雖然名字叫人工神經網絡，但人工神經網絡並不是專門用來研究大腦。利用這些數據，定量生物學家可以製造出能夠預測哪些分子在基因調控過程中控制特定基因的人工神經網絡。細胞並不總是會需要所有的蛋白質。相反，它們會根據需要，依賴複雜的分子機制來開啟或關閉產生蛋白質的基因。而當這些機制不能正常工作的時候，疾病和不適通常就會隨之而來。
  • 人工神經網絡的定義
    人工神經網絡的定義 　　人工神經網絡（ Artificial Neural Networks， 簡寫為ANNs）也簡稱為神經網絡或稱作連接模型，是對人腦或自然神經網絡若干基本特性的抽象和模擬。
  • 神經網絡預測編碼器的設計及應用
    1 BP網絡結構及其算法 反向傳播算法又稱誤差後向傳播算法(Error Back Propagation Algorithm)，它是用來訓練多層前饋網絡的一種學習算法。是一種有監督的學習算法。通常稱用誤差反向傳播算法訓練的網絡叫BP網絡。
  • 金融領域裡的機器學習算法介紹:人工神經網絡
    人工智慧的發展在很大程度上是由神經網絡、深度學習和強化學習推動的。這些複雜的算法可以解決高度複雜的機器學習任務，如圖像分類、人臉識別、語音識別和自然語言處理等。這些複雜任務一般是非線性的，同時包含著大量的特徵輸入。我們下面我們將分幾天的時間對這些算法及其在金融領域的應用進行闡述。
  • 短波紅外應用領域大揭秘—食品領域
    運用不同的化學計量學方法建立多元線性回歸、逐步回歸分析、主成分分析、主成分回歸、偏最小二乘法、神經網絡方法的近紅外光譜定性或定量校正模型，通過所建立的校正模型，實現對未知樣品的定性或者定量分析， 在相同的啤酒酒精度的檢測中，神經網絡模型的預測精度優於逐步回歸分析，逐步回歸分析優於多元線性回歸，偏最小二乘法最差。
  • 什麼是人工神經網絡(ANN)?
    每天使用神經網絡的應用程式有很多，例如Google的翻譯服務，Apple的Face ID iPhone鎖和Amazon的Alexa AI驅動的助手。神經網絡也在其他領域的一些重要人工智慧突破背後，例如診斷皮膚和乳腺癌，讓目光投向自動駕駛汽車。人工神經網絡背後的概念和科學已經存在了數十年。
  • 人工神經網絡研究的發展歷程及重要特性
    人工神經網絡研究的先鋒麥卡洛克和皮茨曾於1943年提出一種叫做「似腦機器(mindlike machine)」的思想,這種機器可由基於生物神經元特性的互連模型來製造,這就是神經學網絡的概念。他們構造了一個表示大腦基本組成部分的神經元模型,對邏輯作業系統表現出通用性。
  • DeepMind 團隊 CASP 奪冠:用 AlphaFold 預測蛋白質結構
    通過強有力的跨學科方法，DeepMind 匯集了結構生物學、物理學和機器學習領域的專家，應用前沿技術，僅僅基於蛋白質的遺傳序列來預測蛋白質的 3D 結構。 我們的系統，AlphaFold，在過去的兩年裡我們一直在努力研究它，它建立在多年前使用大量基因組數據預測蛋白質結構的研究基礎之上。
  • 人工神經網絡發展歷程及特點
    人工神經網絡ANN簡稱為神經網絡或類神經網絡。深度學習實際上是深度神經網絡DNN，即深度學習從人工神經網絡ANN模型發展起來的，因此有必要對人工神經網絡ANN作進一步探討。＾＿＾ 最近十幾年來，人工神經網絡ANN的研究工作不斷深入，已經取得了很大進展，其在模式識別、智慧機器人、自動控制、預測估計、生物、醫學、經濟等領域已成功地解決了許多現代計算機難以解決的實際問題，表現出了良好的智能特性。 那麼究竟什麼是人工神經網絡ANN呢？
  • 人工神經網絡,將有助於製造碳納米管!
    由碳納米管制成的薄膜在先進光電子、能源和醫藥領域有著廣闊的應用前景，但由於其製造過程受到嚴密的監督和嚴格的標準化要求，不太可能很快普及。納米管的多相製造工藝極其難以管理，這是開發其巨大潛力的一個主要障礙。