Математическое моделирование и машинное обучение для оптимизации состава глубоких эвтектических растворителей при извлечении коллагена из костного остатка птицы

Введение. В работе рассматривается применение глубоких эвтектических растворителей (DES) для повышения эффективности экстракции коллагена из животного сырья. Актуальность обусловлена необходимостью замены традиционных органических экстрагентов более безопасными и регулируемыми средами, обеспечивающими стабильность белковых структур и снижение экологической нагрузки.

Цель. Цель исследования — выявить оптимальные составы DES, способные обеспечивать высокий выход коллагена при низких температурах и мягких технологических условиях, а также определить дескрипторы, влияющие на экстракционную способность.

Материалы и методы. Анализ выполнен на основе рассчитанных физико-химических дескрипторов компонентов DES и моделирования выходов коллагена с использованием нейросетевой модели MLP. Рассмотрено 120 комбинаций HBA и HBD, охватывающих металлосодержащие и натуральные системы. Данные нормализованы и использованы для построения сравнительной таблицы дескрипторов и прогностических характеристик.

Результаты и обсуждение. Выявлено, что DES, содержащие Lewis-кислоты Zn²⁺ и Sn²⁺, характеризуются пониженной полярностью и умеренной вязкостью, что обеспечивает максимальный прогнозируемый выход коллагена. Натуральные NADES демонстрируют несколько меньшую эффективность, но обладают преимуществами пищевой безопасности. Построенный бар-чарт визуализирует превосходство металлосодержащих систем по сравнению с классическим контрольным DES.

Заключение. Установлено, что сочетание структурных дескрипторов и машинного обучения позволяет достоверно прогнозировать эффективность DES и минимизировать объём лабораторных испытаний. Металлосодержащие системы являются наиболее перспективными для последующей экспериментальной верификации.

1. Francisco M., van den Bruinhorst A., Kroon M.C. New natural and renewable low transition temperature mixtures (LTTMs): screening as solvents for lignocellulosic biomass processing. Green Chem. 2012. № 14(8). С. 2153–2157.

2. Abbott A.P., Capper G., Davies D.L., Rasheed R.K., Tambyrajah V. Novel solvent properties of choline chloride/urea mixtures. Chem. Commun. 2003. № 1. С. 70–71.

3. Karimi A. et al. Extraction of canola protein via natural deep eutectic solvents compared to alkaline treatments: Isolate characteristics and protein structural and functional properties. Food Hydrocoll. 2024. № 152. С. 109922.

4. Du L. et al. Extraction of protein from sesame meal: Impact of deep eutectic solvents on protein structure and functionality. LWT. 2023. № 187. С. 115345.

5. Bai C., Wei Q., Ren X. Selective extraction of collagen peptides with high purity from cod skins by deep eutectic solvents. ACS Sustain. Chem. Eng. 2017. № 5(6). С. 5476–5484.

6. Tan Y.T. et al. Deep eutectic solvent as an innovative solvent for collagen extraction from marine by-products. J. Food Process. Preserv. 2023. № 47(10). С. e17123.

7. Bhowmik P. et al. Impact of a Novel Two-Phase Natural Deep Eutectic Solvent-Assisted Extraction on the Structural, Functional, and Flavor Properties of Hemp Protein Isolates. Plants. 2025. № 14(2). С. 274.

8. Kudłak B. et al. Application of deep eutectic solvents in protein extraction and purification. Front. Chem. 2022. № 10. С. 912411.

9. Abdipour M., Younessi-Hmazekhanlu M., Ramazani S.H.R., Omidi A. Artificial neural networks and multiple linear regression as potential methods for modeling seed yield of safflower (Carthamus tinctorius L.). Ind. Crops Prod. 2019. № 127. С. 185–194.

10. Niazian M., Sadat-Noori S.A., Abdipour M. Modeling the seed yield of Ajowan (Trachyspermum ammi L.) using artificial neural network and multiple linear regression models. Ind. Crops Prod. 2018. № 117. С. 224–234.

11. Chang C.C., Song J., Tey B.T., Ramanan R.N. Bioinformatics approaches for improved recombinant protein production in Escherichia coli: Protein solubility prediction. Brief. Bioinform. 2014. № 15(6). С. 1047–1059.

12. Rawi R., O’Connell J., Mall R. et al. DeepSol: a deep learning framework for sequence-based protein solubility prediction. Bioinformatics. 2018. № 34(15). С. 2605–2613.

13. Zhou P. Protein engineering in the deep learning era. mLife. 2024. № 3(4). С. 308–325.

14. Wang Y., Zhang L., Li J. et al. Modeling and optimization of collagen hydrolysis process using multilayer perceptron. LWT. 2023. № 175. С. 114489.

15. Chen X., Zhou Y., Wang J. et al. Deep learning prediction of collagen peptide solubility using physicochemical descriptors. J. Food Eng. 2024. № 345. С. 111423.

16. Lundberg S.M., Lee S.-I. A unified approach to interpreting model predictions. Proc. Adv. Neural Inf. Process. Syst. 2017. № 30. С. 4765–4774.

17. Rawi R., Mall R., Kloczkowski A. et al. Deeper profiles and cascaded recurrent and convolutional neural networks for state-of-the-art protein secondary structure prediction. Sci. Rep. 2019. № 9. С. 12374.

18. Wang H., Li Y., Zhang Z. Structure-aware protein solubility prediction from sequence through graph convolutional network and predicted contact map. Bioinformatics. 2021. № 37(5). С. 640–647.

19. Pappu S.M.J., Gummadi S.N. Artificial neural network and regression coupled genetic algorithm to optimize parameters for enhanced xylitol production by Debaryomyces nepalensis in bioreactor. Biochem. Eng. J. 2017. № 120. С. 136–145.

20. Goodfellow I., Pouget-Abadie J., Mirza M. et al. Generative adversarial nets. Proc. Adv. Neural Inf. Process. Syst. 2014. № 27. С. 2672–2680.

21. Alanazi W., Meng D., Pollastri G. DeepPredict: a state-of-the-art web server for protein secondary structure and relative solvent accessibility prediction. Front. Bioinform. 2025. № 5. С. 1607402.

22. Scarselli F., Gori M., Tsoi A.C. et al. The graph neural network model. IEEE Trans. Neural Netw. 2009. № 20(1). С. 61–80.

23. Lee S., Lee M., Gyak K.-W. et al. Novel solubility prediction models: molecular fingerprints and physicochemical features vs graph convolutional neural networks. ACS Omega. 2022. № 7(14). С. 12268–12277.

24. Ahmad W., Tayara H., Shim H.J., Chong K.T. SolPredictor: predicting solubility with residual gated graph neural network. Int. J. Mol. Sci. 2024. № 25(2). С. 715.

25. Tan Y.T., Khoo C.H., Chong K.L. et al. Graph neural networks for biodiesel yield prediction in lignocellulosic biorefineries. Renew. Energy. 2025. № 215. С. 119012.

26. Rives A., Meier J., Sercu T. et al. Biological structure and function emerge from scaling unsupervised learning to 250 million protein sequences. Proc. Natl. Acad. Sci. USA. 2021. № 118(15). С. e2016239118.

27. Boadu R., Wang Y., Li X. Deep learning methods for protein function prediction. PROTEOMICS. 2025. № 25(1–2). С. e2300471.

28. Choi Y.H. et al. Are natural deep eutectic solvents the missing link in understanding cellular metabolism and physiology? Plant Physiol. 2011. № 156(4). С. 1701–1705.

29. Zhang T. et al. Effects of pH and molecular weight on emulsifying and foaming properties of collagen peptides from fish skin. J. Food Sci. Technol. 2024. № 61(4). С. 712–721.

30. León-López A. et al. Hydrolyzed collagen – sources and applications. Molecules. 2019. № 24(22). С. 4031.

31. Chen X. et al. Surface activity and emulsifying properties of low molecular weight collagen peptides from marine fish skin. Food Chem. 2023. № 410. С. 135412.

32. Wang Y. et al. Effect of pH on the Structure, Functional Properties and Rheological Properties of Collagen from Greenfin Horse-Faced Filefish (Thamnaconus septentrionalis) Skin. Foods. 2024. № 13(3). С. 456.

33. Santana L.B. et al. Emulsifying properties of collagen fibers: Effect of pH, protein concentration and homogenization pressure. Food Hydrocoll. 2011. № 25(4). С. 791–799.

34. Nikoo M. et al. Collagen and gelatin: Structure, properties, and applications in food industry. Int. J. Biol. Macromol. 2024. № 269. С. 131950.

35. Bai C. et al. Selective extraction of collagen peptides with high purity from cod skins by deep eutectic solvents. ACS Sustain. Chem. Eng. 2017. № 5(6). С. 5476–5484.

36. Tan Y.T. et al. Deep eutectic solvent as an innovative solvent for collagen extraction from marine by-products. J. Food Process. Preserv. 2023. № 47(10). С. e17123.

37. Heliyon Editorial Board. Deep eutectic solvents: Preparation, properties, and food applications. Heliyon. 2024. № 10(7). С. e04815