IPB Halle (Saale) Leibniz-Institut für Pflanzenbiochemie: Leibniz-Institut für Pflanzenbiochemie Deutsch

IPB-Newsletter | April 2025
Wir verstehen Pflanzen!

Der Film zum Institut
Molekulare Signalverarbeitung

Prof. Dr. Steffen Abel
Wie Pflanzen ihrer Umwelt trotzen.
Natur- und Wirkstoffchemie

Prof. Dr. Ludger Wessjohann
Die Chemie der Natur – Basis für Wirkstoffe zur Gesunderhaltung von Mensch und Pflanze.
Biochemie pflanzlicher Interaktionen

Prof. Dr. Tina Romeis
Wechselwirkungen in, von und mit Pflanzen.
Stoffwechsel- und Zellbiologie

Prof. Dr. Alain Tissier
Sekundär jedoch nicht zweitrangig - Die biologischen Funktionen pflanzlicher Sekundärmetaboliten.
Unabhängige Nachwuchsgruppe

Dr. Mariana Schuster

Neue Erkenntnisse zu OPDA: Keine Signalwirkung in der frühen Wundantwort

Das pflanzliche Stresshormon Jasmonsäure (JA) und seine bioaktive Form Jasmonoyl-Isoleucin (JA-Ile) spielen vor allem bei der…

Dem IPB wird erneut ein beispielhaftes Handeln im Sinne einer chancengleichheitsorientierten Personal- und Organisationspolitik bescheinigt. Das Institut erhält zum 6. Mal in Folge das TOTAL E-QUALITY…

Die Plant Science Student Conference (PSSC) wird seit 20 Jahren im jährlichen Wechsel von Studierenden der beiden Leibniz-Institute IPK und IPB organisiert. Im Interview erläutern Christina Wäsch…

zeige öffentliche Seminare
IPB-Seminar
IPB Doctoral Training Course (DoCou)
Probevorlesung
Progress Report MetaCom
Seminare am Campus
Verteidigungen
Andere

Export .ics

Synthetic Organic Chemist (m/f/d) (18/2025)

Datum: 19.08.2025 Referenznummer: 18/2025

PhD position in biology (m/f/d) (17/2025)

Datum: 08.08.2025 Referenznummer: 17/2025

PhD candidate in Machine Learning for Enzyme Design (m/f/d)

Datum: 16.05.2025 Referenznummer: 11/2025

Suchfilter

Zeige Ergebnisse 1 bis 2 von 2.

Ergebnisse als:
Druckansicht
Endnote (RIS)
BibTeX
Tabelle: CSV | HTML

Publikation

Olivares-Gil, A.; Barbero-Aparicio, J. A.; Rodríguez, J. J.; Díez-Pastor, J. F.; García-Osorio, C.; Davari, M. D.; Semi-supervised prediction of protein fitness for data-driven protein engineering J. Cheminform. 17 88 (2025) DOI: 10.1186/s13321-025-01029-w

Publikation

Herrera-Rocha, F.; Fernández-Niño, M.; Duitama, J.; Cala, M. P.; Chica, M. J.; Wessjohann, L. A.; Davari, M. D.; Barrios, A. F. G.; FlavorMiner: a machine learning platform for extracting molecular flavor profiles from structural data J. Cheminform. 16 140 (2024) DOI: 10.1186/s13321-024-00935-9

Flavor is the main factor driving consumers acceptance of food products. However, tracking the biochemistry of flavor is a formidable challenge due to the complexity of food composition. Current methodologies for linking individual molecules to flavor in foods and beverages are expensive and time-consuming. Predictive models based on machine learning (ML) are emerging as an alternative to speed up this process. Nonetheless, the optimal approach to predict flavor features of molecules remains elusive. In this work we present FlavorMiner, an ML-based multilabel flavor predictor. FlavorMiner seamlessly integrates different combinations of algorithms and mathematical representations, augmented with class balance strategies to address the inherent class of the input dataset. Notably, Random Forest and K-Nearest Neighbors combined with Extended Connectivity Fingerprint and RDKit molecular descriptors consistently outperform other combinations in most cases. Resampling strategies surpass weight balance methods in mitigating bias associated with class imbalance. FlavorMiner exhibits remarkable accuracy, with an average ROC AUC score of 0.88. This algorithm was used to analyze cocoa metabolomics data, unveiling its profound potential to help extract valuable insights from intricate food metabolomics data. FlavorMiner can be used for flavor mining in any food product, drawing from a diverse training dataset that spans over 934 distinct food products.Scientific Contribution FlavorMiner is an advanced machine learning (ML)-based tool designed to predict molecular flavor features with high accuracy and efficiency, addressing the complexity of food metabolomics. By leveraging robust algorithmic combinations paired with mathematical representations FlavorMiner achieves high predictive performance. Applied to cocoa metabolomics, FlavorMiner demonstrated its capacity to extract meaningful insights, showcasing its versatility for flavor analysis across diverse food products. This study underscores the transformative potential of ML in accelerating flavor biochemistry research, offering a scalable solution for the food and beverage industry.

Mehr erhalten

IPB-Newsletter | April 2025

Wir verstehen Pflanzen!

Molekulare Signalverarbeitung

Natur- und Wirkstoffchemie

Biochemie pflanzlicher Interaktionen

Stoffwechsel- und Zellbiologie

Unabhängige Nachwuchsgruppe

+++ Newsticker Wissenschaft 183 +++ Phytohormone +++

Neue Erkenntnisse zu OPDA: Keine Signalwirkung in der frühen Wundantwort

IPB erhält TOTAL E-QUALITY Prädikat zum 6. Mal in Folge

PSSC: Erfolg für die “Eiserne Dame“

Synthetic Organic Chemist (m/f/d) (18/2025)

PhD position in biology (m/f/d) (17/2025)

PhD candidate in Machine Learning for Enzyme Design (m/f/d)

Suchfilter