假设一个候选库里有 800 个样本，来自豆类、油籽、藻类和真菌，实验室一周只能完成二十个溶解性加凝胶测试。这时 AI 要回答的不是“哪个蛋白最好”，而是“这二十个名额给谁”。答案还取决于用途：植物奶看溶解和乳化，凝胶类产品看凝胶强度，蛋泡类产品看起泡，同一个候选在三个场景里的排名可能完全相反。这正是“蛋白质含量最高”往往不是答案的原因。纵横国际整理替代蛋白筛选时的一个体会是：先写清用途，再谈模型。
特征层：能从序列读出的，和必须测出来的
特征可以分三层。序列层最便宜：氨基酸组成、等电点、疏水性分布、半胱氨酸数量（决定可能形成多少二硫键）；结构层借助结构预测工具估计二级结构和表面暴露残基；理化层才是在样品上真正测出来的量——表面疏水性、Zeta 电位、未变性蛋白含量、持水力、β-折叠含量。越往下越贵，也越接近食品里的真实状态。
反直觉的地方在于，序列相同的蛋白，两种提取工艺可能给出完全不同的溶解性。序列和预测结构描述的是天然蛋白，而进入食品的是被碱溶、酸沉、加热、喷雾干燥处理过的蛋白，“加工史”并不写在序列里。只用序列预测功能，等于假定所有样品都被同样温和地对待。
预测层：R² 属于哪份数据
2026 年一项机器学习研究（PubMed 收录号 41813604）用可测的结构特征预测植物蛋白的溶解性、乳化活性指数、乳化能力和凝胶强度，把它作为蛋白原料质量的筛选工具。在该研究自己的数据集内，支持向量回归对溶解性和凝胶强度的 R² 约为 0.88–0.89。这个数字只属于那份数据：样品来自哪些作物、在什么 pH 和离子强度下测、蛋白浓度多高，都已经写进了 R²。换一批新原料或另一套测试条件，就必须重新验证，不能把 0.88 当成“AI 预测蛋白功能的精度”。
另一项 2025 年 Foods 研究更极端：只用 α-螺旋、无规卷曲和溶解性三个特征预测植物蛋白的消化性，据报道评估时间缩短约 80%，样品用量约为标准方法的百分之一。它说明少量特征也足以做初筛；但初筛的意思是排序，不是替代最终测试。
多组学补什么
上面的特征描述的是“总蛋白”，而真实原料是混合物。蛋白质组学（proteomics）能说出样品里有哪些蛋白组分、各占多少，例如 7S 与 11S 球蛋白的比例常与凝胶行为有关；代谢组学（metabolomics）和挥发物分析则能找出造成豆腥、苦涩的小分子，以及植酸、单宁这类会与蛋白结合、影响溶解与风味的成分，提示后面要不要脱腥脱苦。两类数据补的是“组分”和“杂质”，序列与理化指标看不到它们。局限同样明显：多组学样本通常不多，批次效应大，进模型前要先做归一化和批次校正。
预测好、加工不行：几个常见断点
“预测很好，一上产线就不行”，多半出在测试条件和真实工艺错位。实验室常在 pH 7、室温、低盐下测溶解性，而植物奶要经过 UHT 与均质，蛋白在高温和剪切下聚集，溶解性高的样品也可能沉淀。凝胶强度多在纯蛋白体系里测，进配方后还要面对脂肪、多糖和盐的干扰。溶解性再好，豆腥味压不住，也进不了产品。批次与季节波动会进一步拉低模型在现场的表现。
所以漏斗要配一套验证阶梯，每一级都用更真实的条件淘汰一批：
- 小试：氮溶解指数、乳化活性与稳定性指数、起泡容量与稳定性、最小凝胶浓度，几克样品即可完成。
- 模拟基质：在目标 pH 和离子强度下做热处理与均质，观察黏度、粒径和沉淀。
- 真实配方与感官：加入脂肪、糖和风味，做感官评价并观察货架期。
- 中试：换成真实设备的剪切与升温速率，检查放大后的一致性。
数据偏差与外推风险
训练数据多来自大豆、豌豆这类研究充分的作物，藻类、微生物蛋白、油籽饼粕的样本很少。模型在见过的区域里内插尚可，遇到新型食品蛋白就是外推，误差往往明显变大，而输出的数字看起来依旧自信。此外，文献数据来自不同实验室、不同测试条件，很难统一；失败样品很少被发表；样本量常常只有几十到几百个，同一批次的样品若被分进训练集和测试集，R² 会虚高。较稳妥的做法是按作物来源或批次分组做交叉验证，让模型给出不确定度，再用主动学习（Active Learning）把下一批实验放在不确定度高又有应用价值的区域，思路与AI 怎样决定下一次实验一致。
评价这样一个漏斗，不必先看 R²，先看命中率：让模型推荐二十个，再随机抽二十个，两组里通过小试的比例差多少？差不多，就说明模型还没派上用场，无论拟合曲线多漂亮。需要在应用里并排比较不同原料时，蛋白对比的思路也是同样的：把测试条件和数据来源一并列出来，再谈排名。
