CN113504378B - 嗅觉受体、重组细胞、试剂盒及其用途 - Google Patents

嗅觉受体、重组细胞、试剂盒及其用途 Download PDF

Info

Publication number
CN113504378B
CN113504378B CN202111046408.9A CN202111046408A CN113504378B CN 113504378 B CN113504378 B CN 113504378B CN 202111046408 A CN202111046408 A CN 202111046408A CN 113504378 B CN113504378 B CN 113504378B
Authority
CN
China
Prior art keywords
ethyl
identify
mor256
phenylpropionate
identifying
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202111046408.9A
Other languages
English (en)
Other versions
CN113504378A (zh
Inventor
刘卫红
张琛
郑玉
姚国君
陈林
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Hanwang Technology Co Ltd
Original Assignee
Hanwang Technology Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Hanwang Technology Co Ltd filed Critical Hanwang Technology Co Ltd
Priority to CN202111046408.9A priority Critical patent/CN113504378B/zh
Publication of CN113504378A publication Critical patent/CN113504378A/zh
Application granted granted Critical
Publication of CN113504378B publication Critical patent/CN113504378B/zh
Priority to PCT/CN2022/103413 priority patent/WO2023035744A1/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
    • G01N33/48—Biological material, e.g. blood, urine; Haemocytometers
    • G01N33/50—Chemical analysis of biological material, e.g. blood, urine; Testing involving biospecific ligand binding methods; Immunological testing
    • G01N33/74—Chemical analysis of biological material, e.g. blood, urine; Testing involving biospecific ligand binding methods; Immunological testing involving hormones or other non-cytokine intercellular protein regulatory factors such as growth factors, including receptors to hormones and growth factors
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
    • G01N33/02—Food
    • G01N33/14—Beverages
    • G01N33/146—Beverages containing alcohol
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
    • G01N33/48—Biological material, e.g. blood, urine; Haemocytometers
    • G01N33/50—Chemical analysis of biological material, e.g. blood, urine; Testing involving biospecific ligand binding methods; Immunological testing
    • G01N33/5005—Chemical analysis of biological material, e.g. blood, urine; Testing involving biospecific ligand binding methods; Immunological testing involving human or animal cells
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N2333/00—Assays involving biological materials from specific organisms or of a specific nature
    • G01N2333/435—Assays involving biological materials from specific organisms or of a specific nature from animals; from humans
    • G01N2333/705—Assays involving receptors, cell surface antigens or cell surface determinants
    • G01N2333/72—Assays involving receptors, cell surface antigens or cell surface determinants for hormones
    • G01N2333/726—G protein coupled receptor, e.g. TSHR-thyrotropin-receptor, LH/hCG receptor, FSH

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Molecular Biology (AREA)
  • Chemical & Material Sciences (AREA)
  • Immunology (AREA)
  • Biomedical Technology (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Hematology (AREA)
  • Urology & Nephrology (AREA)
  • Food Science & Technology (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Biochemistry (AREA)
  • Medicinal Chemistry (AREA)
  • Analytical Chemistry (AREA)
  • Pathology (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • Software Systems (AREA)
  • Cell Biology (AREA)
  • Biophysics (AREA)
  • Microbiology (AREA)
  • Biotechnology (AREA)
  • Mathematical Physics (AREA)
  • Computational Linguistics (AREA)
  • Tropical Medicine & Parasitology (AREA)
  • Endocrinology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Measuring Or Testing Involving Enzymes Or Micro-Organisms (AREA)

Abstract

本发明涉及一种嗅觉受体、重组细胞、试剂盒及其用途。嗅觉受体包括：MOR10‑2、MOR179‑7、MOR213‑1、MOR242‑1、MOR270‑1、MOR103‑12、MOR103‑2、MOR103‑3、MOR106‑4、MOR174‑13、MOR256‑20、MOR256‑31、MOR260‑3、MOR260‑8P、MOR268‑2、MOR273‑3P、MOR286‑1或MOR286‑2，上述嗅觉受体用于识别预定化合物。本发明脱弧的嗅觉受体能够鉴定出激活他的化合物，其可为化合物的鉴定以及嗅觉的初级感知奠定基础。

Description

嗅觉受体、重组细胞、试剂盒及其用途
技术领域
本发明涉及化学检测技术领域，尤其涉及一种嗅觉受体、重组细胞、试剂盒及其用途。
背景技术
动物的嗅觉机制显示出辨别自然界复杂气味刺激的非凡能力，例如食物或环境气味，这有助于他们选择食物和避免危险或危害。将各种挥发性化合物的化学世界与大脑中的嗅觉联系起来的关键参与者被称为嗅觉受体(ORs)。哺乳动物OR是G蛋白偶联受体(GPCR)，位于嗅觉神经元(OSN)树突尖端的细胞表面膜上。人类有大约400种OR，而小鼠有上千种，这使得OR成为哺乳动物基因组中最大的基因家族之一。尽管天然气味的数量大大超过OR的数量，但动物的嗅觉机器进化为采用组合编码(combinatorial coding)模式来区分不同的气味。一种嗅觉受体可识别多种气味化合物；反之，一种气味化合物也可同时激活多种嗅觉受体。这种组合编码模式使得哺乳动物能够区分成千上万种气味，每种气味都可以用独特的OR条形码（receptor barcode）进行标记。
嗅觉是感官系统中最复杂、最难理解的一种，从嗅觉受体(OR)的激活到大脑皮层中形成嗅觉感知过程复杂，还需大量研究去阐明工作机制。目前，仅有约20%的小鼠以及人类嗅觉受体经过脱孤，鉴定出激活他的化合物（激动剂），因此大量的气味化合物与OR之间的相互作用鉴定工作需要完善。酒类的香气是酒类中所有挥发性气味化合物共存以及多重生化反应的总和，是自然界复杂气味刺激的典型代表。但是，目前并未有任何有关检测酒类气味化合物的嗅觉受体的报道。
发明内容
本发明旨在至少在一定程度上解决现有技术中存在的技术问题至少之一。为此，本发明提供了一种嗅觉受体、重组细胞、试剂盒及其用途，利用本发明脱弧的嗅觉受体能够鉴定出相应的化合物，为化合物的鉴定、酒类产品鉴定和嗅觉的初级感知奠定基础。
在本发明的一个方面，本发明提出了一种嗅觉受体在识别样本中预定化合物中的用途。根据本发明的实施例，所述嗅觉受体包括选自下列的至少之一：
MOR10-2、MOR179-7、MOR213-1、MOR242-1、MOR270-1、MOR103-12、MOR103-2、MOR103-3、MOR106-4、MOR174-13、MOR256-20、MOR256-31、MOR260-3、MOR260-8P、MOR268-2、MOR273-3P、MOR286-1、MOR286-2；
所述预定化合物包括选自下列的至少之一：
2,3,5-三甲基吡嗪、2-乙酰基呋喃、苯乙醇、苯甲醛、丁二酸二乙酯、3-苯丙酸乙酯、苯甲酸乙酯、庚酸乙酯、辛酸乙酯、己酸己酯、苯乙酸乙酯、2-庚酮、1-戊醇、正己醇、壬醛、异戊醛、苯乙醛、乳酸乙酯、乙酸异戊酯、5-甲基-2-乙酰基呋喃和2,3,5,6-四甲基吡嗪。
发明人经过大量实验总结出，上述每一种嗅觉受体均可被一种或者多种上述预定化合物所激活，由此，实现了嗅觉受体的脱孤，利用该嗅觉受体可以有效地鉴定出上述预定化合物，为气味化合物的鉴定以及嗅觉的初级感知奠定基础。尤其是，上述化合物可以作为酒类产品的气味化合物，上述嗅觉受体可以进一步应用于酒类产品的鉴定中。
根据本发明的实施例，上述用途还可以进一步包含如下附加技术特征至少之一：
根据本发明的实施例，所述MOR10-2用于识别所述壬醛。
根据本发明的实施例，所述MOR179-7用于识别所述2,3,5-三甲基吡嗪、2-乙酰基呋喃、苯乙醛、5-甲基-2-乙酰基呋喃和2,3,5,6-四甲基吡嗪中的至少之一。
根据本发明的实施例，所述MOR213-1用于识别所述2,3,5-三甲基吡嗪和所述2-庚酮中的至少之一。
根据本发明的实施例，所述MOR242-1用于识别苯甲醛。
根据本发明的实施例，所述MOR270-1用于识别乳酸乙酯。
根据本发明的实施例，所述MOR103-12用于识苯甲醛。
根据本发明的实施例，所述MOR103-2用于识别苯甲醛和异戊醛的至少之一。
根据本发明的实施例，所述MOR103-3用于识别2-庚酮。
根据本发明的实施例，所述MOR106-4用于识别苯乙醛。
根据本发明的实施例，所述MOR174-13用于识别2-乙酰基呋喃、苯乙醇、丁二酸二乙酯、3-苯丙酸乙酯、苯甲酸乙酯、己酸己酯、苯乙酸乙酯、2-庚酮、乙酸异戊酯和5-甲基-2-乙酰基呋喃的至少之一。
根据本发明的实施例，所述MOR256-20用于识别苯乙醇、3-苯丙酸乙酯、苯甲酸乙酯、辛酸乙酯、苯乙酸乙酯、2-庚酮、1-戊醇和正己醇的至少之一。
根据本发明的实施例，所述MOR256-31用于识别苯乙醇、丁二酸二乙酯、3-苯丙酸乙酯、苯乙酸乙酯、2-庚酮和壬醛的至少之一。
根据本发明的实施例，所述MOR260-3用于识别苯乙醇和1-戊醇的至少之一。
根据本发明的实施例，所述MOR260-8P用于识别1-戊醇、正己醇和壬醛的至少之一。
根据本发明的实施例，所述MOR268-2用于识别苯乙醇、丁二酸二乙酯、3-苯丙酸乙酯、苯甲酸乙酯、正己醇和壬醛的至少之一。
根据本发明的实施例，所述MOR273-3P用于识别丁二酸二乙酯、3-苯丙酸乙酯和苯甲酸乙酯的至少之一。
根据本发明的实施例，所述MOR286-1用于识别苯乙醇、丁二酸二乙酯、3-苯丙酸乙酯、苯甲酸乙酯、庚酸乙酯和苯乙酸乙酯的至少之一。
根据本发明的实施例，所述MOR286-2用于识别丁二酸二乙酯、3-苯丙酸乙酯、苯甲酸乙酯、苯乙酸乙酯、正己醇、壬醛和乙酸异戊酯的至少之一。
根据本发明的实施例，所述嗅觉受体进一步包括选自MOR286-3P、MOR106-1、MOR125-5-P、MOR23-1、MOR256-17、MOR256-8、MOR271-1和MOR272-1中的至少之一；
所述预定化合物进一步包括壬酸乙酯、戊酸乙酯、萘、异戊酸乙酯、己酸异丁酯、乙酸丙酯和乙酸己酯中的至少之一。由此，发明人还脱弧了8种识别上述化合物嗅觉受体，上述每一种嗅觉受体均可被一种或者多种上述预定化合物所激活，从而实现预定化合物的鉴定。
根据本发明的实施例，所述MOR286-3P用于识别丁二酸二乙酯、3-苯丙酸乙酯、苯甲酸乙酯、庚酸乙酯、壬酸乙酯、苯乙酸乙酯、正己醇、壬醛、乙酸异戊酯、己酸异丁酯、乙酸丙酯和乙酸己酯的至少之一。
根据本发明的实施例，所述MOR106-1用于识别苯乙醇、苯甲醛、3-苯丙酸乙酯、苯甲酸乙酯、正己醇、苯乙醛和萘的至少之一。
根据本发明的实施例，所述MOR125-5-P用于识别苯乙酸乙酯和5-甲基-2-乙酰基呋喃的至少之一。
根据本发明的实施例，所述MOR23-1用于识别辛酸乙酯和壬醛的至少之一。
根据本发明的实施例，所述MOR256-17用于识别2-乙酰基呋喃、苯乙醇、苯甲醛、3-苯丙酸乙酯、苯乙酸乙酯、2-庚酮、1-戊醇、正己醇、苯乙醛、乳酸乙酯和5-甲基-2-乙酰基呋喃的至少之一。
根据本发明的实施例，所述MOR256-8用于识别丁二酸二乙酯、3-苯丙酸乙酯、己酸己酯、苯乙酸乙酯、2-庚酮、正己醇、壬醛、乙酸异戊酯、乙酸异丁酯和乙酸己酯的至少之一。
根据本发明的实施例，所述MOR271-1用于识别2,3,5-三甲基吡嗪、2-乙酰基呋喃、苯甲酸乙酯、苯乙酸乙酯和5-甲基-2-乙酰基呋喃的至少之一。
根据本发明的实施例，所述MOR272-1用于识别丁二酸二乙酯、3-苯丙酸乙酯、苯甲酸乙酯、戊酸乙酯、己酸己酯、苯乙酸乙酯、乳酸乙酯、异戊酸乙酯和5-甲基-2-乙酰基呋喃的至少之一。
根据本发明的实施例，所述样本为酒类样本。由此，通过上述嗅觉受体能够对酒类样本的气味化合物进行鉴定。
根据本发明的实施例，所述酒类样本为白酒。由此，通过上述嗅觉受体能够对白酒的气味化合物进行鉴定。
在本发明的另一方面，本发明提出了一种重组细胞。根据本发明的实施例，所述重组细胞表达嗅觉受体和报告蛋白；所述嗅觉受体包括选自下列的至少之一：MOR10-2、MOR179-7、MOR213-1、MOR242-1、MOR270-1、MOR103-12、MOR103-2、MOR103-3、MOR106-4、MOR174-13、MOR256-20、MOR256-31、MOR260-3、MOR260-8P、MOR268-2、MOR273-3P、MOR286-1、MOR286-2；所述报告蛋白适于在所述嗅觉受体识别所述预定化合物之后产生可检测信号。
根据本发明的实施例，通过样本对重组细胞进行刺激，重组细胞能够响应其对应的气味化合物，并通过报告蛋白发出响应后的可检测信号，从而可实现对样本中预定化合物的鉴定。
根据本发明的实施例，所述嗅觉受体进一步包括选自MOR286-3P、MOR106-1、MOR125-5-P、MOR23-1、MOR256-17、MOR256-8、MOR271-1和MOR272-1中的至少之一。由此，能够增加样本中可鉴定的预定化合物的数量。
根据本发明的实施例，所述嗅觉受体表达在所述重组细胞的细胞膜上。由此，样本中的预定化合物通过刺激重组细胞细胞膜上的嗅觉受体，即可进行响应，具有响应速度快的优点。
在本发明的又一方面，本发明提出了一种用于识别样本中预定化合物的试剂盒。根据本发明的实施例，所述试剂盒包含：至少一种上述的重组细胞。根据本发明的实施例，通过上述试剂盒即可实现对样本中预定化合物的鉴定。
在本发明的又一方面，本发明提出了一组对酒类产品进行鉴定的嗅觉受体。根据本发明的实施例，所述嗅觉受体包括选自MOR10-2、MOR179-7、MOR213-1、MOR242-1、MOR270-1、MOR103-12、MOR103-2、MOR103-3、MOR106-4、MOR174-13、MOR256-20、MOR256-31、MOR260-3、MOR260-8P、MOR268-2、MOR273-3P、MOR286-1、MOR286-2中的至少之一。根据本发明的实施例，通过上述嗅觉受体能够实现对酒类产品的鉴定。
根据本发明的实施例，所述嗅觉受体进一步包括选自MOR286-3P、MOR106-1、MOR125-5-P、MOR23-1、MOR256-17、MOR256-8、MOR271-1和MOR272-1中的至少之一。
在本发明的又一方面，本发明提出了一种对酒类产品进行鉴定的方法。根据本发明的实施例，所述方法包括：利用上述重组细胞或上述试剂盒或上述嗅觉受体对所述酒类产品进行检测得到检测结果；基于所述检测结果，确定所述酒类产品的身份信息。
根据本发明的实施例，将酒类产品刺激嗅觉受体，嗅觉受体发出响应，并通过嗅觉受体的响应值，可判断样本中的化合物组成，进而实现对酒类产品的鉴定。
根据本发明的实施例，将所述酒类产品刺激上述重组细胞或上述试剂盒中的嗅觉受体或上述嗅觉受体，获得响应值；将所述响应值输入至网络模型，获得所述酒类产品的身份信息。
根据本发明的实施例，所述网络模型为训练得到的网络模型。
根据本发明的实施例，所述网络模型的训练包括：将所述酒类产品刺激所述嗅觉受体后获得的响应值及所述酒类产品对应的已知属性作为训练集；将所述训练集作为输入特征输入至待训练的网络模型中进行迭代训练，在所述训练集的损失低于阈值或者迭代次数达到预设次数时，完成所述网络模型的训练。
根据本发明的实施例，所述酒类产品的身份信息包括选自下列的至少之一：白酒香型、白酒年份、白酒品牌。由此，通过上述对酒类产品进行鉴定的方法能够鉴定出白酒样本的香型、年份和品牌信息。
本发明的附加方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。
附图说明
本发明的上述和/或附加的方面和优点从结合下面附图对实施例的描述中将变得明显和容易理解，其中：
图1为实施例1中的响应值图谱；
图2为实施例1中28种气味化合物与26种嗅觉受体的相互作用热点图；
图3为实施例1中1-戊醇、苯乙醇、正己醇和2-庚酮与嗅觉受体相互作用剂量曲线；
图4为实施例1中壬醛、异戊醛、苯乙醇和苯甲醛与嗅觉受体相互作用剂量曲线；
图5为实施例1中萘、苯甲酸乙酯、2,4,5,6-四甲基吡嗪和2,3,5-三甲基吡嗪与嗅觉受体相互作用剂量曲线；
图6为实施例1中5-甲基-2-乙酰基呋喃、2-乙酰基呋喃、苯乙酸乙酯和3-苯乙酸乙酯与嗅觉受体相互作用剂量曲线；
图7为实施例1中己酸异丁脂、壬酸乙酯、丁二酸二乙酯和庚酸乙酯与嗅觉受体相互作用剂量曲线；
图8为实施例1中己酸丙酯、戊酸乙酯、己酸己酯和乳酸乙酯与嗅觉受体相互作用剂量曲线；
图9为实施例1中辛酸乙酯、乙酸己酯、乙酸异戊酯和异戊酸乙酯与嗅觉受体相互作用剂量曲线；
图10为实施例2中的训练损失图；
图11为实施例2中的RadViz雷达图真实分布图；
图12为实施例2中的RadViz雷达图预测分布图。
具体实施方式
下面详细描述本发明的实施例。下面描述的实施例是示例性的，仅用于解释本发明，而不能理解为对本发明的限制。
需要说明的是，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。进一步地，在本发明的描述中，除非另有说明，“多个”的含义是两个或两个以上。
在本文中使用的术语“嗅觉受体（odorant receptor，OR）”是指在嗅觉细胞中具有七次跨膜结构的G蛋白偶联受体(GPCR)家族的一个或多个成员，其对有气味物质的识别特异性高。
在本文中使用的术语“报告蛋白”是指在生物体内容易被鉴定和测量的蛋白质。报告蛋白包括，但不限于胭脂碱合成酶、章鱼碱合成酶、新霉素磷酸转移酶基因、氯霉素乙酰转移酶、庆大霉素转移酶、葡萄糖苷酶、荧光素酶、荧光蛋白、分泌型碱性磷酸酶等，例如萤火虫荧光素酶和海肾荧光素酶。
嗅觉受体在识别样本中预定化合物中的用途
在本发明的一个方面，本发明提出了一种嗅觉受体在识别样本中预定化合物中的用途。根据本发明的实施例，嗅觉受体包括选自下列的至少之一：
MOR10-2、MOR179-7、MOR213-1、MOR242-1、MOR270-1、MOR103-12、MOR103-2、MOR103-3、MOR106-4、MOR174-13、MOR256-20、MOR256-31、MOR260-3、MOR260-8P、MOR268-2、MOR273-3P、MOR286-1、MOR286-2；
预定化合物包括选自下列的至少之一：
2,3,5-三甲基吡嗪、2-乙酰基呋喃、苯乙醇、苯甲醛、丁二酸二乙酯、3-苯丙酸乙酯、苯甲酸乙酯、庚酸乙酯、辛酸乙酯、己酸己酯、苯乙酸乙酯、2-庚酮、1-戊醇、正己醇、壬醛、异戊醛、苯乙醛、乳酸乙酯、乙酸异戊酯、5-甲基-2-乙酰基呋喃和2,3,5,6-四甲基吡嗪。
发明人经过大量实验总结出，上述每一种嗅觉受体均可被一种或者多种上述预定化合物所激活，由此，实现了嗅觉受体的脱孤，利用该嗅觉受体可以有效地鉴定出上述预定化合物，为气味化合物的鉴定以及嗅觉的初级感知奠定基础。尤其是，上述化合物可以作为酒类产品的气味化合物，上述18种嗅觉受体可以进一步应用于酒类产品的鉴定中。
根据本发明的实施例，嗅觉受体进一步包括选自MOR286-3P、MOR106-1、MOR125-5-P、MOR23-1、MOR256-17、MOR256-8、MOR271-1和MOR272-1中的至少之一；
预定化合物进一步包括壬酸乙酯、戊酸乙酯、萘、异戊酸乙酯、己酸异丁酯、乙酸丙酯和乙酸己酯中的至少之一。
发明人还脱弧了8种识别上述化合物嗅觉受体，上述每一种嗅觉受体均可被一种或者多种上述预定化合物所激活，从而实现预定化合物的鉴定。
根据本发明的实施例，通过用样本刺激多种嗅觉受体，筛选出能够响应样本中气味化合物的初筛嗅觉受体；通过分析样本中的气味化合物；然后确定气味化合物和初筛嗅觉受体的相互作用关系，得到上述用于识别样本中预定化合物的嗅觉受体。
需要说明的是，上述样本包括酒类样本、香水样本、食物样本等。
在本实施例中所使用的术语“酒类样本”应做广义理解，其可以指任何包含乙醇（酒精）成分的液态饮品，尤其是白酒样本（或者在本文中有时直接称为“白酒”），由于白酒产品中的酒精浓度高，其挥发性强，因此，白酒中的化合物更容易刺激嗅觉受体，以便容易获得响应值。
根据本发明的实施例，在分析白酒中的气味化合物中，需要对白酒进行萃取处理和分析处理。
需要说明的是，萃取处理包括顶空固相微萃取技术、液液萃取技术、搅拌子吸附萃取技术、分馏技术等；分析处理包括气相色谱-质谱联用技术、高效液相色谱技术、核磁共振技术、红外光谱技术、液相色谱-质谱联用技术等。
根据本发明的实施例，初筛嗅觉受体的筛选是通过样本对多种嗅觉受体（例如，上千种嗅觉受体）进行检测后确定的。
示例性地，将白酒的化合物刺激1113种嗅觉受体，白酒中不同的化合物对不同的嗅觉受体的刺激强度不同，得到的响应值不同，发明人根据响应值的大小，最终确定了46种初筛嗅觉受体，初筛嗅觉受体包括MOR106-1、MOR271-1、MOR22-4、OlfrB6、MOR213-1、MOR110-10、MOR103-2、MOR103-12、MOR273-3P、MOR260-8P、MOR270-1、MOR103-3、MOR103-7、MOR103-1、MOR242-1、mTAAR1、MOR14-2、MOR260-3、Olfr614、MOR178-1、Olfr100、MOR32-1、MOR7-2、MOR13-1、MOR179-7、mTAAR5、MOR106-4、MOR106-14、MOR17-1、MOR286-1、MOR286-2、MOR268-6、MOR272-1、MOR256-17、MOR23-1、MOR10-2、MOR256-31、MOR286-3P、MOR31-6、MOR174-13、MOR268-2、MOR256-20、MOR13-3、MOR256-8、MOR1-3、MOR125-5_p。
根据本发明的实施例，确定气味化合物和初筛嗅觉受体的相互作用关系包含：用气味化合物刺激嗅觉受体，获得嗅觉受体的响应值；根据响应值的大小确定候选的气味化合物和初筛嗅觉受体的相互作用；然后筛选候选的气味化合物和初筛嗅觉受体的相互作用，获得最终的气味化合物和初筛嗅觉受体的相互作用。
根据本发明的实施例，气味化合物刺激嗅觉受体的稀释浓度为0-500μM（例如0、3、10、30、100、200、300、400、500μM）。
示例性地，气味化合物刺激嗅觉受体的稀释浓度为300μM。发明人通过大量试验总结出，当选择上述浓度的气味化合物刺激嗅觉受体时，可使嗅觉受体容易被激活，且嗅觉受体可保持较好状态。
根据本发明的实施例，确定候选的气味化合物和初筛嗅觉受体的相互作用时，以测试组的响应值显著大于空白对照组的响应值作为配对依据。
示例性地，本发明实施例中的测试组的响应值是空白对照组的响应值的1.5倍以上。
需要说明的是，本发明中以用化合物刺激的嗅觉受体为测试组，以不用化合物刺激的嗅觉受体为空白对照组。
根据本发明的实施例，筛选候选的气味化合物和初筛嗅觉受体的相互作用的方法可采用量效实验、特定浓度筛选等。
根据本发明的实施例，最终的气味化合物和初筛嗅觉受体的相互作用包括：
MOR10-2用于识别壬醛；
MOR179-7用于识别2,3,5-三甲基吡嗪、2-乙酰基呋喃、苯乙醛、5-甲基-2-乙酰基呋喃和2,3,5,6-四甲基吡嗪中的至少之一；
MOR213-1用于识别2,3,5-三甲基吡嗪和2-庚酮中的至少之一；
MOR242-1用于识别苯甲醛；
MOR270-1用于识别乳酸乙酯；
MOR103-12用于识苯甲醛；
MOR103-2用于识别苯甲醛和异戊醛的至少之一；
MOR103-3用于识别2-庚酮；
MOR106-4用于识别苯乙醛；
MOR174-13用于识别2-乙酰基呋喃、苯乙醇、丁二酸二乙酯、3-苯丙酸乙酯、苯甲酸乙酯、己酸己酯、苯乙酸乙酯、2-庚酮、乙酸异戊酯和5-甲基-2-乙酰基呋喃的至少之一；
MOR256-20用于识别苯乙醇、3-苯丙酸乙酯、苯甲酸乙酯、辛酸乙酯、苯乙酸乙酯、2-庚酮、1-戊醇和正己醇的至少之一；
MOR256-31用于识别苯乙醇、丁二酸二乙酯、3-苯丙酸乙酯、苯乙酸乙酯、2-庚酮和壬醛的至少之一；
MOR260-3用于识别苯乙醇和1-戊醇的至少之一；
MOR260-8P用于识别1-戊醇、正己醇和壬醛的至少之一；
MOR268-2用于识别苯乙醇、丁二酸二乙酯、3-苯丙酸乙酯、苯甲酸乙酯、正己醇和壬醛的至少之一；
MOR273-3P用于识别丁二酸二乙酯、3-苯丙酸乙酯和苯甲酸乙酯的至少之一；
MOR286-1用于识别苯乙醇、丁二酸二乙酯、3-苯丙酸乙酯、苯甲酸乙酯、庚酸乙酯和苯乙酸乙酯的至少之一；
MOR286-2用于识别丁二酸二乙酯、3-苯丙酸乙酯、苯甲酸乙酯、苯乙酸乙酯、正己醇、壬醛和乙酸异戊酯的至少之一；
MOR286-3P用于识别丁二酸二乙酯、3-苯丙酸乙酯、苯甲酸乙酯、庚酸乙酯、壬酸乙酯、苯乙酸乙酯、正己醇、壬醛、乙酸异戊酯、己酸异丁酯、乙酸丙酯和乙酸己酯的至少之一；
MOR106-1用于识别苯乙醇、苯甲醛、3-苯丙酸乙酯、苯甲酸乙酯、正己醇、苯乙醛和萘的至少之一；
MOR125-5-P用于识别苯乙酸乙酯和5-甲基-2-乙酰基呋喃的至少之一；
MOR23-1用于识别辛酸乙酯和壬醛的至少之一；
MOR256-17用于识别2-乙酰基呋喃、苯乙醇、苯甲醛、3-苯丙酸乙酯、苯乙酸乙酯、2-庚酮、1-戊醇、正己醇、苯乙醛、乳酸乙酯和5-甲基-2-乙酰基呋喃的至少之一；
MOR256-8用于识别丁二酸二乙酯、3-苯丙酸乙酯、己酸己酯、苯乙酸乙酯、2-庚酮、正己醇、壬醛、乙酸异戊酯、乙酸异丁酯和乙酸己酯的至少之一；
MOR271-1用于识别2,3,5-三甲基吡嗪、2-乙酰基呋喃、苯甲酸乙酯、苯乙酸乙酯和5-甲基-2-乙酰基呋喃的至少之一；
MOR272-1用于识别丁二酸二乙酯、3-苯丙酸乙酯、苯甲酸乙酯、戊酸乙酯、己酸己酯、苯乙酸乙酯、乳酸乙酯、异戊酸乙酯和5-甲基-2-乙酰基呋喃的至少之一。
重组细胞
在本发明的另一方面，本发明提出了一种重组细胞。根据本发明的实施例，重组细胞表达嗅觉受体和报告蛋白；嗅觉受体包括选自下列的至少之一：MOR10-2、MOR179-7、MOR213-1、MOR242-1、MOR270-1、MOR103-12、MOR103-2、MOR103-3、MOR106-4、MOR174-13、MOR256-20、MOR256-31、MOR260-3、MOR260-8P、MOR268-2、MOR273-3P、MOR286-1、MOR286-2；报告蛋白适于在嗅觉受体识别预定化合物之后产生可检测信号。
发明人通过样本对重组细胞进行刺激，重组细胞能够响应其对应的气味化合物，并通过报告蛋白发出响应后的可检测信号，从而可实现对样本中预定化合物的鉴定。
根据本发明的实施例，嗅觉受体进一步包括选自MOR286-3P、MOR106-1、MOR125-5-P、MOR23-1、MOR256-17、MOR256-8、MOR271-1和MOR272-1中的至少之一。由此，能够增加样本中可鉴定的预定化合物的数量。
根据本发明的实施例，将嗅觉受体表达在重组细胞上，重组细胞还表达报告蛋白，报告蛋白适于在嗅觉受体与酒类产品接触后产生可检测的信号。发明人将样本与重组细胞接触，样本的化合物刺激位于不同重组细胞上的多种嗅觉受体（例如，上千种嗅觉受体），样本中不同的化合物对不同的嗅觉受体的刺激强度不同，报告蛋白发出的信号强度也不同，通过对报告蛋白发出的可检测的信号进行检测，得到不同的响应值。
需要说明的是，嗅觉受体的构建方法包括：从ORDB（Olfactory ReceptorDataBase）数据库获取嗅觉受体的DNA序列，通过基因合成或者从基因组扩增（PCR）获得基因片段，通过酶切连接法或者同源重组法插入到表达质粒中，并进行测序验证，将含有嗅觉受体基因的表达质粒库转染到细胞中。
具体地，上述嗅觉受体基因名来源可参见Olfactory Receptor DataBase(ORDB)：https://senselab.med.yale.edu/ordb/。
根据本发明的实施例，嗅觉受体表达在重组细胞的细胞膜上。由此，样本中的预定化合物通过刺激重组细胞细胞膜上的嗅觉受体，即可进行响应，具有响应速度快的优点。
用于识别样本中预定化合物的试剂盒
在本发明的又一方面，本发明提出了一种用于识别样本中预定化合物的试剂盒。根据本发明的实施例，该试剂盒包含：至少一种上述的重组细胞。发明人经过大量试验总结出，将样本刺激上述试剂盒中的重组细胞，样本中不同的化合物对不同的嗅觉受体的刺激强度不同，报告蛋白发出的信号强度也不同，通过对报告蛋白发出的可检测的信号进行检测，得到不同的响应值，根据响应值对样本中预定化合物的鉴定。
另外，本领域技术人员能够理解的是，前面针对重组细胞所描述的特征和优点同样适用于该用于识别样本中预定化合物的试剂盒，在此不再赘述。
对酒类产品进行鉴定的嗅觉受体
在本发明的又一方面，本发明提出了一组对酒类产品进行鉴定的嗅觉受体。根据本发明的实施例，该嗅觉受体包括选自MOR10-2、MOR179-7、MOR213-1、MOR242-1、MOR270-1、MOR103-12、MOR103-2、MOR103-3、MOR106-4、MOR174-13、MOR256-20、MOR256-31、MOR260-3、MOR260-8P、MOR268-2、MOR273-3P、MOR286-1、MOR286-2中的至少之一。根据本发明的实施例，通过上述嗅觉受体能够实现对酒类产品的鉴定。
根据本发明的实施例，嗅觉受体进一步包括选自MOR286-3P、MOR106-1、MOR125-5-P、MOR23-1、MOR256-17、MOR256-8、MOR271-1和MOR272-1中的至少之一。根据本发明的实施例，通过上述嗅觉受体能够进一步提高对酒类产品鉴定的准确性。
对酒类产品进行鉴定的方法
在本发明的又一方面，本发明提出了一种对酒类产品进行鉴定的方法。根据本发明的实施例，该方法包括：利用上述重组细胞或上述试剂盒或上述嗅觉受体对酒类产品进行检测得到检测结果；基于检测结果，确定酒类产品的身份信息。
发明人经过大量试验总结出，将酒类产品刺激嗅觉受体，嗅觉受体发出响应，通过嗅觉受体的响应值，可判断样本中的化合物组成，进而实现对酒类产品的鉴定。
根据本发明的实施例，将酒类产品刺激上述嗅觉受体、重组细胞中的嗅觉受体或试剂盒中重组细胞中的嗅觉受体，得到响应值，将响应值输入至网络模型中，得到酒类产品的身份信息。
示例性地，将酒类产品刺激位于不同重组细胞上的多种嗅觉受体，重组细胞上的嗅觉受体发出响应，且重组细胞上的报告蛋白发出的可检测信号，通过可检测信号获得不同的响应值，将响应值输入至网络模型，最终可获得酒类产品的身份信息。
根据本发明的实施例，网络模型是通过训练得到的。训练得到的网络模型能够对输入的响应值进行检测，直接输出响应值所对应的酒类产品的身份信息。
根据本发明的实施例，网络模型的训练包括：以酒类产品刺激嗅觉受体后获得的响应值及该酒类产品对应的已知属性作为训练集，将该训练集作为输入特征输入至待训练的网络模型中进行迭代训练。在训练集的损失低于阈值或者迭代次数达到预设次数时，停止网络模型的训练过程，即完成网络模型的训练。
需要说明的是，在训练过程中，可以将网络模型的输出结果与真实的酒类产品的身份信息之间的差异作为损失，进而可以通过迭代优化，逐步获得经过优化的网络模型。另外，还可以利用一部分已知属性的样本作为验证集样本，对所得到的网络模型进行泛化能力的验证，以避免过拟合情况的出现。
例如，根据本发明的实施例，可以将已知属性的白酒样本中的75%作为训练集，剩余的25%作为测试集，对网络模型进行检测并优化，由此，可以进一步提高网络模型的训练准确性，使训练后的网络模型能够准确鉴定酒类产品的身份信息，且具有高准确性、高效率等优点。
根据本发明的实施例，训练得到网络模型后，对网络模型进行实验验证。发明人通过对训练得到的网络模型进行实验验证，以避免训练集和测试集选择的随机性，以评估该网络模型对酒类产品鉴定的准确性。
需要说明的是，实验验证采用的方法包括十折交叉验证（10-fold cross-validation）、K折交叉验、简易交叉验证、留一交叉验证等。
需要说明的是，网络模型可以是神经网络模型，例如：BP神经网络模型、卷积神经网络模型、决策树模型、支持向量机或KNN（k近邻分类）。
根据本发明的实施例，酒类产品的身份信息包括选自下列的至少之一：白酒香型、白酒年份、白酒品牌。由此，通过上述对酒类产品进行鉴定的方法能够鉴定出白酒样本的香型、年份和品牌信息。
下面将结合实施例对本发明的方案进行解释。本领域技术人员将会理解，下面的实施例仅用于说明本发明，而不应视为限定本发明的范围。实施例中未注明具体技术或条件的，按照本领域内的文献所描述的技术或条件或者按照产品说明书进行。所用试剂或仪器未注明生产厂商者，均为可以通过市购获得的常规产品。
实施例1：
（1）HS-SPME-GC-MS分析白酒中的气味化合物
发明人利用顶空固相微萃取技术（HS-SPME），对5种典型中国白酒（五粮液、15年份茅台、30年份茅台、飞天茅台、政通仁和）的顶空气体进行萃取富集，并进一步利用气相色谱-质谱联用技术（GC-MS）对顶空气体中的组分进行分析，最终分别鉴定出190种挥发性化合物。通过比较已报道的化合物的气相色谱-闻香（GC-O）结果，确定了44种气味化合物，具体见表1。
表1:44种气味化合物
Figure 572308DEST_PATH_IMAGE001
（2）嗅觉受体的筛选
采用1113种小鼠的嗅觉受体对4种白酒样品（分别为五粮液、15年份茅台、30年份茅台、政通人和，其中五粮液为浓香型，其余为酱香型）进行检测，其中，将嗅觉受体表达在重组细胞的细胞膜上，重组细胞还表达报告蛋白，报告蛋白适于在嗅觉受体与白酒样品接触后产生可检测的信号。
发明人将白酒样品与重组细胞接触，白酒样品中的化合物刺激位于不同重组细胞上的不同嗅觉受体，白酒样品中不同的化合物对不同的嗅觉受体的刺激强度不同，报告蛋白发出的信号强度也不同，通过对报告蛋白发出的可检测的信号进行检测，得到不同的响应值，响应值图谱参见图1。结果表明，两种不同风格的白酒（浓香型和酱香型）具有显著不同的响应值图谱，同种风格（酱香型）内的不同白酒样品的响应值图谱较为相似，但在某些嗅觉受体的响应强度上有差异。最终获得了46种被激活的初筛嗅觉受体，其中，46种初筛嗅觉受体为MOR106-1、MOR271-1、MOR22-4、OlfrB6、MOR213-1、MOR110-10、MOR103-2、MOR103-12、MOR273-3P、MOR260-8P、MOR270-1、MOR103-3、MOR103-7、MOR103-1、MOR242-1、mTAAR1、MOR14-2、MOR260-3、Olfr614、MOR178-1、Olfr100、MOR32-1、MOR7-2、MOR13-1、MOR179-7、mTAAR5、MOR106-4、MOR106-14、MOR17-1、MOR286-1、MOR286-2、MOR268-6、MOR272-1、MOR256-17、MOR23-1、MOR10-2、MOR256-31、MOR286-3P、MOR31-6、MOR174-13、MOR268-2、MOR256-20、MOR13-3、MOR256-8、MOR1-3、MOR125-5_p。
（3）确定气味化合物和嗅觉受体的相互作用关系
为探究气味化合物和嗅觉受体之间的相互作用关系，用44种气味化合物一一刺激46种含有初筛嗅觉受体的细胞，检测初筛嗅觉受体和气味化合物的相互作用配对情况。然后将每种气味化合物稀释了6种浓度（0、3、10、30、100、300 μM），同时对细胞进行刺激，结果显示，使用300 μM的浓度的气味化合物对含有初筛嗅觉受体的细胞的刺激效果较好。因此，发明人采用300 μM浓度的气味化合物刺激分别转染46种初筛嗅觉受体的细胞，以测试组的响应值是空白对照组的响应值1.5倍以上的配对作为后续量效实验的候选对象，共包含38种嗅觉受体与36种气味化合物之间的308个相互作用配对。
接着，发明人进一步进行量效实验对初筛获得的308对相互作用进行验证，于300μM浓度附近设置了7个浓度（分别为1、3、10、30、100、300、1000μM），检测嗅觉受体的响应值是否随气味化合物浓度的升高呈现规律性的增长，最终确定了包含28种气味化合物与26种嗅觉受体之间的124个相互作用关系，具体参见图2-9。其中，图2中的左侧为气味化合物，上面为嗅觉受体，图中颜色深浅为相对响应值的大小，本实施例中以用化合物刺激的嗅觉受体为测试组，以不用化合物刺激的嗅觉受体为空白对照组，相对响应值为测试组的响应值与空白对照组的响应值的比值；其中，图2中的气味化合物和嗅觉受体的具体关系如下：
MOR10-2用于识别壬醛；
MOR179-7用于识别2,3,5-三甲基吡嗪、2-乙酰基呋喃、苯乙醛、5-甲基-2-乙酰基呋喃和2,3,5,6-四甲基吡嗪中的至少之一；
MOR213-1用于识别2,3,5-三甲基吡嗪和2-庚酮中的至少之一；
MOR242-1用于识别苯甲醛；
MOR270-1用于识别乳酸乙酯；
MOR103-12用于识苯甲醛；
MOR103-2用于识别苯甲醛和异戊醛的至少之一；
MOR103-3用于识别2-庚酮；
MOR106-4用于识别苯乙醛；
MOR174-13用于识别2-乙酰基呋喃、苯乙醇、丁二酸二乙酯、3-苯丙酸乙酯、苯甲酸乙酯、己酸己酯、苯乙酸乙酯、2-庚酮、乙酸异戊酯和5-甲基-2-乙酰基呋喃的至少之一；
MOR256-20用于识别苯乙醇、3-苯丙酸乙酯、苯甲酸乙酯、辛酸乙酯、苯乙酸乙酯、2-庚酮、1-戊醇和正己醇的至少之一；
MOR256-31用于识别苯乙醇、丁二酸二乙酯、3-苯丙酸乙酯、苯乙酸乙酯、2-庚酮和壬醛的至少之一；
MOR260-3用于识别苯乙醇和1-戊醇的至少之一；
MOR260-8P用于识别1-戊醇、正己醇和壬醛的至少之一；
MOR268-2用于识别苯乙醇、丁二酸二乙酯、3-苯丙酸乙酯、苯甲酸乙酯、正己醇和壬醛的至少之一；
MOR273-3P用于识别丁二酸二乙酯、3-苯丙酸乙酯和苯甲酸乙酯的至少之一；
MOR286-1用于识别苯乙醇、丁二酸二乙酯、3-苯丙酸乙酯、苯甲酸乙酯、庚酸乙酯和苯乙酸乙酯的至少之一；
MOR286-2用于识别丁二酸二乙酯、3-苯丙酸乙酯、苯甲酸乙酯、苯乙酸乙酯、正己醇、壬醛和乙酸异戊酯的至少之一；
MOR286-3P用于识别丁二酸二乙酯、3-苯丙酸乙酯、苯甲酸乙酯、庚酸乙酯、壬酸乙酯、苯乙酸乙酯、正己醇、壬醛、乙酸异戊酯、己酸异丁酯、乙酸丙酯和乙酸己酯的至少之一；
MOR106-1用于识别苯乙醇、苯甲醛、3-苯丙酸乙酯、苯甲酸乙酯、正己醇、苯乙醛和萘的至少之一；
MOR125-5-P用于识别苯乙酸乙酯和5-甲基-2-乙酰基呋喃的至少之一；
MOR23-1用于识别辛酸乙酯和壬醛的至少之一；
MOR256-17用于识别2-乙酰基呋喃、苯乙醇、苯甲醛、3-苯丙酸乙酯、苯乙酸乙酯、2-庚酮、1-戊醇、正己醇、苯乙醛、乳酸乙酯和5-甲基-2-乙酰基呋喃的至少之一；
MOR256-8用于识别丁二酸二乙酯、3-苯丙酸乙酯、己酸己酯、苯乙酸乙酯、2-庚酮、正己醇、壬醛、乙酸异戊酯、乙酸异丁酯和乙酸己酯的至少之一；
MOR271-1用于识别2,3,5-三甲基吡嗪、2-乙酰基呋喃、苯甲酸乙酯、苯乙酸乙酯和5-甲基-2-乙酰基呋喃的至少之一；
MOR272-1用于识别丁二酸二乙酯、3-苯丙酸乙酯、苯甲酸乙酯、戊酸乙酯、己酸己酯、苯乙酸乙酯、乳酸乙酯、异戊酸乙酯和5-甲基-2-乙酰基呋喃的至少之一。
图3-9中的X轴代表气味化合物的浓度梯度的对数值，Y轴代表标准化的响应值，并显示了标准误（N=3），标准化的响应值是指以与同一化合物作用的多种嗅觉受体中的响应值的最大值作为标准进行归一化处理，即为，每种嗅觉受体的响应值与该化合物激活某种嗅觉受体的最大响应值的比值。
由图3可知，1-戊醇可激活MOR256-17、MOR256-20、MOR260-3、MOR260-8P；
苯乙醇可激活MOR106-1、MOR174-13、MOR256-17、MOR256-20、MOR256-31、MOR260-3、MOR268-2、MOR286-1；
正己醇可激活MOR106-1、MOR256-17、MOR256-20、MOR256-8、MOR260-8P、MOR268-2、MOR286-2、MOR286-3P；
2-庚酮可激活MOR103-3、MOR174-13、MOR213-1、MOR256-17、MOR256-20、MOR256-31、MOR256-8。
由图4可知，壬醛可激活MOR10-2、MOR23-1、MOR256-31、MOR256-8、MOR260-8P、MOR268-2、MOR286-2、MOR286-8P；
异戊醛可激活MOR103-2；
苯乙醇可激活MOR106-1、MOR106-4、MOR179-7、MOR256-17；
苯甲醛可激活MOR103-12、MOR103-2、MOR106-1、MOR242-1、MOR256-17。
由图5可知，萘可激活MOR106-1；
苯甲酸乙酯可激活MOR106-1、MOR174-13、MOR256-20、MOR268-2、MOR171-1、MOR272-1、MOR273-3P、MOR286-1、MOR286-2、MOR286-3P；
2,4,5,6-四甲基吡嗪可激活MOR179-7；
2,3,5-三甲基吡嗪可激活MOR179-7、MOR213-1、MOR271-1。
由图6可知，5-甲基-2-乙酰基呋喃可激活MOR125-5_p、MOR174-13、MOR179-7、MOR256-17、MOR271-1、MOR272-1；
2-乙酰基呋喃可激活MOR174-13、MOR179-7、MOR256-17、MOR271-1；
苯乙酸乙酯可激活MOR125-5_p、MOR174-13、MOR256-17、MOR256-20、MOR256-31、MOR256-8、MOR271-1、MOR272-1、MOR286-1、MOR286-2、MOR286-3P；
3-苯乙酸乙酯可激活MOR106-1、MOR174-13、MOR256-17、MOR256-20、MOR256-31、MOR256-8、MOR286-2、MOR272-1、MOR273-3P、MOR286-1、MOR286-2、MOR286-3P。
由图7可知，己酸异丁脂可激活MOR256-8、MOR286-3P；
壬酸乙酯可激活MOR286-3P；
丁二酸二乙酯可激活MOR174-13、MOR256-31、MOR256-8、MOR268-2、MOR272-1、MOR273-3P、MOR286-1、MOR286-2、MOR286-3P；
庚酸乙酯可激活MOR286-1、MOR286-3P。
由图8可知，己酸丙酯可激活MOR286-3P；
戊酸乙酯可激活MOR272-1；
己酸己酯可激活MOR174-13、MOR256-8、MOR272-1；
乳酸乙酯可激活MOR256-17、MOR270-1、MOR272-1。
由图9可知，辛酸乙酯可激活MOR23-1、MOR256-20；
乙酸己酯可激活MOR256-8、MOR286-3P；
乙酸异戊酯可激活MOR174-13、MOR256-8、MOR286-2、MOR286-3P；
异戊酸乙酯可激活MOR272-1。
实施例2：
由于不同类型的白酒样品中含有不同组分的气味化合物，进而，利用含有嗅觉受体的重组细胞对气味化合物的响应情况，得到响应值，然后将响应值输入至经过训练的神经网络模型中，最终鉴定出白酒样本的类型。
训练神经网络模型的具体步骤如下：
将实施例1中找到的26种嗅觉受体对5种白酒样品的差异响应，并获得嗅觉受体产生的响应值，具体操作步骤同实施例1，然后将响应值作为神经网络模型的输入特征。
本实施例中的神经网络模型采用BP(back propagation)神经网络，利用5种白酒在26种嗅觉受体上的响应值建立，建立一个3层的BP神经网络模型，包括：1层输入层，1层隐藏层，1层输出层，以此构建一个具有良好区分度且模型复杂度最小的模型。
采用响应值总量的75%作为训练集，剩下的25%作为测试集。经过10000次迭代训练（Epochs）后，训练损失已经稳定收敛，此时用测试集进行测试，测试结果如图10-12所示，其中，图10是模型训练的损失（loss）图，图11和图12分别是测试集的数据响应值在RadViz雷达图中对应的真实分布情况和预测分布情况，反应了测试集数据的响应值在高46种嗅觉受体维特征数据下的可视化分类图，可以看到BP神经网络模型对测试集的预测结果和真实结果完全一致，判别准确度可以达到100.00%。
并且，发明人为了避免训练集和测试集选择的随机性，发明人采用了十折交叉验证（10-fold cross-validation）对响应值的样本集进行实验，结果显示平均准确度为92.5%以上。因此，本实施例证明了利用含有嗅觉受体的重组细胞可以实现鉴定和鉴别白酒类型。
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、 “示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
尽管上面已经示出和描述了本发明的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本发明的限制，本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。

Claims (5)

1.一种对酒类产品进行鉴定的方法，其特征在于，包括：
将所述酒类产品刺激重组细胞或嗅觉受体，获得响应值；
将所述响应值输入至网络模型，获得所述酒类产品的身份信息；
其中，所述网络模型为训练得到的BP神经网络模型；
所述网络模型的训练包括：
将所述酒类产品刺激嗅觉受体后获得的响应值及所述酒类产品对应的已知属性作为训练集；
将所述训练集作为输入特征输入至待训练的网络模型中进行迭代训练，在所述训练集的损失低于阈值或者迭代次数达到预设次数时，完成所述网络模型的训练；
训练得到所述网络模型后，对所述网络模型进行实验验证，所述实验验证采用的方法包括十折交叉验证、K折交叉验、简易交叉验证、留一交叉验证中的至少之一；
所述嗅觉受体由MOR10-2、MOR179-7、MOR213-1、MOR242-1、MOR270-1、MOR103-12、MOR103-2、MOR103-3、MOR106-4、MOR174-13、MOR256-20、MOR256-31、MOR260-3、MOR260-8P、MOR268-2、MOR273-3P、MOR286-1、MOR286-2、MOR286-3P、MOR106-1、MOR125-5-P、MOR23-1、MOR256-17、MOR256-8、MOR271-1和MOR272-1组成。
2.根据权利要求1所述的方法，其特征在于，所述MOR10-2用于识别壬醛；
所述MOR179-7用于识别2,3,5-三甲基吡嗪、2-乙酰基呋喃、苯乙醛、5-甲基-2-乙酰基呋喃和2,3,5,6-四甲基吡嗪中的至少之一；
所述MOR213-1用于识别2,3,5-三甲基吡嗪和所述2-庚酮中的至少之一；
所述MOR242-1用于识别苯甲醛；
所述MOR270-1用于识别乳酸乙酯；
所述MOR103-12用于识别苯甲醛；
所述MOR103-2用于识别苯甲醛和异戊醛的至少之一；
所述MOR103-3用于识别2-庚酮；
所述MOR106-4用于识别苯乙醛；
所述MOR174-13用于识别2-乙酰基呋喃、苯乙醇、丁二酸二乙酯、3-苯丙酸乙酯、苯甲酸乙酯、己酸己酯、苯乙酸乙酯、2-庚酮、乙酸异戊酯和5-甲基-2-乙酰基呋喃的至少之一；
所述MOR256-20用于识别苯乙醇、3-苯丙酸乙酯、苯甲酸乙酯、辛酸乙酯、苯乙酸乙酯、2-庚酮、1-戊醇和正己醇的至少之一；
所述MOR256-31用于识别苯乙醇、丁二酸二乙酯、3-苯丙酸乙酯、苯乙酸乙酯、2-庚酮和壬醛的至少之一；
所述MOR260-3用于识别苯乙醇和1-戊醇的至少之一；
所述MOR260-8P用于识别1-戊醇、正己醇和壬醛的至少之一；
所述MOR268-2用于识别苯乙醇、丁二酸二乙酯、3-苯丙酸乙酯、苯甲酸乙酯、正己醇和壬醛的至少之一；
所述MOR273-3P用于识别丁二酸二乙酯、3-苯丙酸乙酯和苯甲酸乙酯的至少之一；
所述MOR286-1用于识别苯乙醇、丁二酸二乙酯、3-苯丙酸乙酯、苯甲酸乙酯、庚酸乙酯和苯乙酸乙酯的至少之一；
所述MOR286-2用于识别丁二酸二乙酯、3-苯丙酸乙酯、苯甲酸乙酯、苯乙酸乙酯、正己醇、壬醛和乙酸异戊酯的至少之一。
3.根据权利要求1所述的方法，其特征在于，所述MOR286-3P用于识别丁二酸二乙酯、3-苯丙酸乙酯、苯甲酸乙酯、庚酸乙酯、壬酸乙酯、苯乙酸乙酯、正己醇、壬醛、乙酸异戊酯、己酸异丁酯、乙酸丙酯和乙酸己酯的至少之一；
所述MOR106-1用于识别苯乙醇、苯甲醛、3-苯丙酸乙酯、苯甲酸乙酯、正己醇、苯乙醛和萘的至少之一；
所述MOR125-5-P用于识别苯乙酸乙酯和5-甲基-2-乙酰基呋喃的至少之一；
所述MOR23-1用于识别辛酸乙酯和壬醛的至少之一；
所述MOR256-17用于识别2-乙酰基呋喃、苯乙醇、苯甲醛、3-苯丙酸乙酯、苯乙酸乙酯、2-庚酮、1-戊醇、正己醇、苯乙醛、乳酸乙酯和5-甲基-2-乙酰基呋喃的至少之一；
所述MOR256-8用于识别丁二酸二乙酯、3-苯丙酸乙酯、己酸己酯、苯乙酸乙酯、2-庚酮、正己醇、壬醛、乙酸异戊酯、乙酸异丁酯和乙酸己酯的至少之一；
所述MOR271-1用于识别2,3,5-三甲基吡嗪、2-乙酰基呋喃、苯甲酸乙酯、苯乙酸乙酯和5-甲基-2-乙酰基呋喃的至少之一；
所述MOR272-1用于识别丁二酸二乙酯、3-苯丙酸乙酯、苯甲酸乙酯、戊酸乙酯、己酸己酯、苯乙酸乙酯、乳酸乙酯、异戊酸乙酯和5-甲基-2-乙酰基呋喃的至少之一。
4.根据权利要求1-3任一项所述的方法，其特征在于，所述重组细胞表达权利要求2或3所述的嗅觉受体和报告蛋白；
所述报告蛋白适于在所述嗅觉受体识别预定化合物之后产生可检测信号。
5.根据权利要求1所述的方法，其特征在于，所述酒类产品的身份信息包括选自下列的至少之一：
白酒香型、白酒年份、白酒品牌。
CN202111046408.9A 2021-09-08 2021-09-08 嗅觉受体、重组细胞、试剂盒及其用途 Active CN113504378B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN202111046408.9A CN113504378B (zh) 2021-09-08 2021-09-08 嗅觉受体、重组细胞、试剂盒及其用途
PCT/CN2022/103413 WO2023035744A1 (zh) 2021-09-08 2022-07-01 嗅觉受体、重组细胞、试剂盒及其用途

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111046408.9A CN113504378B (zh) 2021-09-08 2021-09-08 嗅觉受体、重组细胞、试剂盒及其用途

Publications (2)

Publication Number Publication Date
CN113504378A CN113504378A (zh) 2021-10-15
CN113504378B true CN113504378B (zh) 2022-01-04

Family

ID=78016828

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111046408.9A Active CN113504378B (zh) 2021-09-08 2021-09-08 嗅觉受体、重组细胞、试剂盒及其用途

Country Status (2)

Country Link
CN (1) CN113504378B (zh)
WO (1) WO2023035744A1 (zh)

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113504378B (zh) * 2021-09-08 2022-01-04 汉王科技股份有限公司 嗅觉受体、重组细胞、试剂盒及其用途
CN116200456B (zh) * 2023-04-27 2023-07-28 汉王科技股份有限公司 利用嗅觉受体检测食品变质的方法
CN116445417B (zh) * 2023-06-09 2023-09-29 汉王科技股份有限公司 嗅觉受体的正向调节剂及含有它的重组细胞或重组细胞系和检测气味化合物的方法
CN117700524B (zh) * 2024-01-31 2024-05-14 汉王科技股份有限公司 嗅觉受体or51l1突变体及其用途
CN118501118A (zh) * 2024-07-16 2024-08-16 汉王科技股份有限公司 一种基于细胞的生物荧光能量共振转移检测系统及应用

Family Cites Families (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
AU6118100A (en) * 1999-07-23 2001-02-13 Libra Digital, Llc Electronic recording, analysis, editing, and playback of scents
US20100248268A1 (en) * 2001-03-27 2010-09-30 Woods Daniel F Methods to utilize invertebrate chemosensory proteins for industrial and commercial uses
WO2003094088A1 (en) * 2001-08-09 2003-11-13 The Trustees Of Columbia University In The City Of New York Mouse olfactory receptor gene superfamily specification
US7344845B2 (en) * 2001-12-21 2008-03-18 Senomyx, Inc. Olfactory receptor for isovaleric acid and related malodorants and use thereof in assays for identification of blockers of malodor
EP1769241B1 (en) * 2004-07-21 2014-06-18 Givaudan SA Metabolic method to identify flavours and/or fragrances
US8152992B2 (en) * 2004-08-31 2012-04-10 University Of Maryland Cell-based sensing: biological transduction of chemical stimuli to electrical signals (nose-on-a-chip)
CN103903004B (zh) * 2012-12-28 2017-05-24 汉王科技股份有限公司 一种人脸识别多特征权值融合方法与装置
EP3013978B1 (en) * 2013-06-29 2019-11-20 Firmenich SA Methods of identifying, isolating and using odorant and aroma receptors
JP7016491B2 (ja) * 2016-03-31 2022-02-07 株式会社豊田中央研究所 嗅覚受容体を用いた評価方法
JP6875815B2 (ja) * 2016-09-29 2021-05-26 住友化学株式会社 嗅覚受容体共受容体
US11029308B2 (en) * 2016-10-27 2021-06-08 Duke University Methods for vapor detection and discrimination with mammalian odorant receptors expressed in heterologous cells
EP3578976A4 (en) * 2017-02-02 2020-11-25 Kao Corporation PROCEDURE FOR SELECTING AN ODOR CONTROL SUBSTANCE
EP3649236A4 (en) * 2017-07-05 2021-04-07 The Regents of The University of California MULTIPLEX RECEPTOR LIGAND INTERACTION SCREENS
CN108760829B (zh) * 2018-03-20 2020-12-11 天津大学 一种基于仿生嗅球模型和卷积神经网络的电子鼻识别方法
CN113504378B (zh) * 2021-09-08 2022-01-04 汉王科技股份有限公司 嗅觉受体、重组细胞、试剂盒及其用途
CN113506596B (zh) * 2021-09-08 2022-11-15 汉王科技股份有限公司 嗅觉受体筛选、模型训练、酒类产品鉴定的方法与装置

Also Published As

Publication number Publication date
CN113504378A (zh) 2021-10-15
WO2023035744A1 (zh) 2023-03-16

Similar Documents

Publication Publication Date Title
CN113504378B (zh) 嗅觉受体、重组细胞、试剂盒及其用途
Kang et al. Screening of specific quantitative peptides of beef by LC–MS/MS coupled with OPLS-DA
Zhang et al. Identification of age-markers based on profiling of Baijiu volatiles over a two-year maturation period: Case study of Lu-flavor Baijiu
Hallem et al. Coding of odors by a receptor repertoire
Davey et al. Flow cytometry and cell sorting of heterogeneous microbial populations: the importance of single-cell analyses
Carmel et al. A feature extraction method for chemical sensors in electronic noses
Oldham et al. Functional organization of the transcriptome in human brain
CN113506596B (zh) 嗅觉受体筛选、模型训练、酒类产品鉴定的方法与装置
Povey et al. Rapid high-throughput characterisation, classification and selection of recombinant mammalian cell line phenotypes using intact cell MALDI-ToF mass spectrometry fingerprinting and PLS-DA modelling
Huffman et al. Prioritized mass spectrometry increases the depth, sensitivity and data completeness of single-cell proteomics
Cozzolino et al. Usefulness of chemometrics and mass spectrometry-based electronic nose to classify Australian white wines by their varietal origin
Chen et al. Classification of vinegar with different marked ages using olfactory sensors and gustatory sensors
Pigani et al. Classification of red wines by chemometric analysis of voltammetric signals from PEDOT-modified electrodes
US20220252531A1 (en) Information processing apparatus and control method for information processing apparatus
Cetó et al. Application of an electronic tongue towards the analysis of brandies
WO2018174891A1 (en) Quantitative targeted metabolomic analysis based on the mixture of isotope-and nonisotope-labeled internal standards
CN108287200A (zh) 质谱参照数据库的建立方法及基于其的物质分析方法
US20130218581A1 (en) Stratifying patient populations through characterization of disease-driving signaling
Liu et al. A biomimetic olfactory recognition system for the discrimination of Chinese liquor aromas
Wiśniewska et al. Qualitative characteristics and comparison of volatile fraction of vodkas made from different botanical materials by comprehensive two‐dimensional gas chromatography and the electronic nose based on the technology of ultra‐fast gas chromatography
Lelono et al. Quality Classification of Chili Sauce Using Electronic Nose with Principal Component Analysis
Wang et al. GC/MS-based untargeted metabolomics reveals the differential metabolites for discriminating vintage of Chenxiang-type baijiu
Soós et al. Application of electronic tongue to discriminate white wines originated from different regions of Hungary
Cosio et al. Application of the electronic nose in olive oil analyses
CN110184359A (zh) 一种快速检测遗传性皮肤美白能力基因的方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant