IPB Halle: Leibniz-Institut für Pflanzenbiochemie Deutsch

Lange Nacht, die Wissen schafft

4. Juli 2025 am IPB
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

Aktuelles

Unser 10. Leibniz Plant Biochemistry Symposium am 7. und 8. Mai war ein großer Erfolg. Thematisch ging es in diesem Jahr um neue Methoden und Forschungsansätze der Naturstoffchemie. Die exzellenten Vorträge über Wirkstoffe…

Omanische Heilpflanze im Fokus der Phytochemie
IPB-Wissenschaftler und Partner aus Dhofar haben jüngst die omanische Heilpflanze Terminalia dhofarica unter die phytochemische Lupe genommen. Die Pflanze ist reich an…

Geschmack ist vorhersagbar: Mit FlavorMiner.
FlavorMiner heißt das Tool, das IPB-Chemiker und Partner aus Kolumbien jüngst entwickelt haben. Das Programm kann, basierend auf maschinellem Lernen (KI), anhand der…

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

Export .ics

Stellenausschreibungen

Referent*in der Geschäftsführung (m/w/d) (10/2025)

Datum: 14.05.2025 Referenznummer: 10/2025

Publikationen

Suchfilter

Zeige Ergebnisse 1 bis 4 von 4.

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

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.

Publikation

Ricardo, M. G.; Vázquéz-Mena, Y.; Iglesias-Morales, Y.; Wessjohann, L. A.; Rivera, D. G.; On the scope of the double Ugi multicomponent stapling to produce helical peptides Bioorg. Chem. 113 104987 (2021) DOI: 10.1016/j.bioorg.2021.104987

Publikation

Ntie-Kang, F.; Telukunta, K. K.; Fobofou, S. A. T.; Chukwudi Osamor, V.; Egieyeh, S. A.; Valli, M.; Djoumbou-Feunang, Y.; Sorokina, M.; Stork, C.; Mathai, N.; Zierep, P.; Chávez-Hernández, A. L.; Duran-Frigola, M.; Babiaka, S. B.; Tematio Fouedjou, R.; Eni, D. B.; Akame, S.; Arreyetta-Bawak, A. B.; Ebob, O. T.; Metuge, J. A.; Bekono, B. D.; Isa, M. A.; Onuku, R.; Shadrack, D. M.; Musyoka, T. M.; Patil, V. M.; van der Hooft, J. J. J.; da Silva Bolzani, V.; Medina-Franco, J. L.; Kirchmair, J.; Weber, T.; Tastan Bishop, ?.; Medema, M. H.; Wessjohann, L. A.; Ludwig-Müller, J.; Computational Applications in Secondary Metabolite Discovery (CAiSMD): an online workshop J. Cheminform. 13 64 (2021) DOI: 10.1186/s13321-021-00546-8

Publikation

Heym, P.-P.; Brandt, W.; Wessjohann, L. A.; Niclas, H.-J.; Virtual screening for plant PARP inhibitors – what can be learned from human PARP inhibitors? J. Cheminform. 4 O24 (2012) DOI: 10.1186/1758-2946-4-S1-O24

BibText
RIS

Mehr erhalten

Lange Nacht, die Wissen schafft

IPB-Newsletter | April 2025

Wir verstehen Pflanzen!

Molekulare Signalverarbeitung

Natur- und Wirkstoffchemie

Biochemie pflanzlicher Interaktionen

Stoffwechsel- und Zellbiologie

Unabhängige Nachwuchsgruppe

Aktuelles

Gelungenes Symposium

+++ Newsticker Wissenschaft #182 +++ Naturstoffe +++

+++ Newsticker Wissenschaft #181 +++ Maschinelles Lernen +++

Stellenausschreibungen

Referent*in der Geschäftsführung (m/w/d) (10/2025)

Publikationen

Suchfilter