黄酮碳苷：构效关系与人工智能驱动的食品应用

为何C-C键彻底改变生物利用度

黄酮C-糖苷的定义是糖基与黄酮苷元之间通过直接的C-C键相连，主要连接在A环的C-6和/或C-8位[1]。这种键合化学特性解释了其为何对酶水解和酸性降解具有非凡的抗性：与O-糖苷中的缩醛氧不同，C-C键无法形成稳定的氧鎓离子离去基团，从而赋予其优异的动力学和热力学稳定性[1]。将荭草苷（木犀草素-8-C-葡萄糖苷）与异槲皮苷（槲皮素-3-O-葡萄糖苷）进行直接比较，证实了O-糖苷的键在胃和肠道消化过程中发生断裂，而C-糖苷则保持不变[5]。在体内，O-糖苷产生的血浆抗氧化活性高于C-糖苷，而C-糖苷在尿液中的水平更高，反映了二者不同的吸收和代谢命运[5]。

这种稳定性并非全然有益。赋予其完整通过胃肠道能力的C-C键，同时也限制了苷元的释放与吸收，使肠道微生物群成为C-糖苷生物活性及代谢物暴露的关键介导者[1]。一项针对六种C-糖苷黄酮的Caco-2细胞单层研究表明，荭草苷、异荭草苷和异牡荆素在I相和II相反应中被高度代谢，而夏佛塔苷、异夏佛塔苷和牡荆素则代谢较差[7]。值得注意的是，研究中检测到了芹菜素和木犀草素的硫酸化及葡萄糖醛酸化结合物，作者提出C-3'/C-4'位置的双羟基结构是磺基转移酶转化的关键结构特征[7]。这表明人肠上皮酶在体外可能具有裂解C-C键的潜力，这一发现此前未在Caco-2细胞中报道过，不过作者也提醒，化合物数量太少，尚不足以确定不同代谢模式所需的简单结构前提[7]。

构效关系能预测什么、不能预测什么

该锚定综述确立，B环邻二羟基是抗氧化活性的核心药效团，而C-6糖基化在多项已报道的实验中似乎较为有利，尽管最佳糖基化位点仍取决于靶标[1]。这与早期关于胰脂肪酶抑制的黄酮类构效关系研究一致，该研究测试了48种黄酮类化合物，发现黄酮30对猪和人胰脂肪酶均最为有效，IC50值分别为7.3 ± 0.6 μM，Kic为1.3 ± 0.3，对人胰脂肪酶的亲和力约为杨梅素的60倍[2]。该研究还表明，抑制活性取决于取代基类型和位置，其中D组黄酮类化合物（A环5-羟基，加上C-7、C-3、C-3'和C-4'位上的羟基、葡萄糖基、芸香糖基和/或延伸烷基取代基）活性最强[2]。

然而，该锚定综述承认，当前的构效关系原则仍停留在定性层面，尤其是对于多位点修饰（如糖基化与酰基化同时发生）而言，这限制了对理性结构设计的预测能力[1]。Caco-2代谢研究进一步印证了这一局限：尽管荭草苷和异荭草苷共享木犀草素苷元，仅糖基化位置不同，但两者均被高度代谢；而牡荆苷和异牡荆苷（基于芹菜素）则表现出分化的代谢命运，其中异牡荆苷被高度代谢，牡荆苷则代谢程度较低[7]。作者明确指出，化合物集合规模过小，无法将简单的结构元件确定为代谢差异的先决条件[7]。结构知识与预测能力之间的这一差距，正是该锚定综述所指出的功能性食品开发障碍[1]。

AI驱动的预测：数据特异性制约下的前景

这篇锚定综述特别关注人工智能驱动的策略，用于预测膳食来源、评估生物活性、模拟代谢途径和优化配方设计[1]。这与机器学习在食品生物活性化合物筛选领域的更广泛进展相一致，ML技术为筛选潜在化合物提供了高效且经济的手段，在具有抗氧化和抗高血压活性的肽类以及具有降血糖活性的非肽类化合物方面取得了尤为显著的进展[6]。另一项验证研究表明，随机森林回归能够预测多种亲脂性化合物在乳脂肪球中的包封效率，其准确度高于多元线性回归，并以log P、总极性表面积和膜结合能作为重要特征[4]。该研究对log P范围在1.5至8.0之间的化合物进行了包封，其中乙酸视黄酯的包封效率最高（≥100%，平均log P = 8.0），非瑟酮最低（30%，平均log P = 1.5）[4]。

然而，该锚定综述批判性地指出，大多数现有机器学习模型是在通用多酚而非C-糖苷专属数据集上训练的，因此若不进行重新训练和实验验证，其直接适用性尚不确定[1]。更广泛的机器学习筛选综述同样指出了若干局限，包括需要建立全面的食品生物活性化合物数据库、提升数据集的质量与数量、增强深度学习的可解释性，以及将机器学习与其他技术相整合[6]。具体针对C-糖苷，该综述呼吁建立大规模数据库和涵盖多种食品加工方法与基质类型的机器学习预测模型，以加速配方优化[1]。这是对基础设施建设的呼吁，而非对AI在C-糖苷上已验证性能的报告。

改善递送与吸收的替代途径

虽然核心综述探讨了酶法修饰、物理包埋和食品基质优化作为解决水溶性差和生物可及性低等问题的策略[1]，但相竞争的证据展示了另一种途径：酶法乙酰化。2026年的一项研究通过工程改造半乳糖苷乙酰转移酶（GAT）对橙皮素-7-O-葡萄糖苷进行乙酰化，使Caco-2单层细胞的表观渗透性提高了69%[3]。与野生型相比，P148A突变使催化效率提高了21%，分子动力学模拟揭示该突变增加了107–128环的柔性[3]。这项工作为理性工程改造酰基转移酶以优化黄酮类化合物的药代动力学建立了一个平台[3]。

乳脂球研究提供了另一种竞争性递送策略，证明多种亲脂性食品生物活性化合物可被封装于天然载体中，其分配行为可通过机器学习预测[4]。这些方法与锚定综述强调理解内在构效关系的重点存在根本差异：它们修饰化合物或其递送系统，而非筛选最优的内在结构。锚定综述承认，由于水溶性差和生物可及性低，功能食品中的实际应用仍然有限，而这些可通过酶法修饰、物理封装和食品基质优化来解决[1]。竞争性证据为其中两种策略提供了概念验证，但并未解决哪种方法对C-糖苷而言更优的问题。

证据止步之处与尚存的不确定性

该锚定综述的结论受其作为文献综述的性质所限：未创建或分析新数据，所有信息均基于已发表的文献[1]。该综述承认，大多数神经保护研究是在急性损伤或化学诱导模型中进行的，而在更接近人类病理特征的慢性神经退行性疾病模型中的证据有限，且这些化合物的脑生物利用度仍缺乏充分表征[1]。目前缺乏对不同C-糖苷神经保护效力的系统性比较[1]。Caco-2代谢研究虽然提供了有价值的体外数据，但所使用的细胞系可能无法完全代表体内条件，且作者指出化合物集合过小，无法确定简单的结构元件作为代谢差异的前提条件[7]。

黄酮类化合物代谢的更广泛背景进一步印证了这些局限性。一篇针对与阿尔茨海默病相关的68种黄酮类单体化合物的综述发现，黄酮类化合物在吸收后容易被II相药物代谢酶结合，静脉给药后最快1分钟即可发生葡萄糖醛酸化，而单次灌胃给予一种黄酮类化合物后可获得多达191种代谢产物[8]。这种广泛的代谢表明，除结合产物外，还可能形成其他具有生物活性的代谢物，从而解释了动物模型中的疗效与黄酮类糖苷或苷元全身暴露量低之间的矛盾[8]。具体到C-糖苷，锚定综述呼吁采用多组学和分子药理学方法来鉴定细胞靶点和下游信号网络，并推进AI驱动的生物工艺优化，同时解决模型可解释性、数据标准化和消费者接受度等问题[1]。在这些空白被填补之前，锚定综述所提出的框架仍只是研究优先级的指南，而非经过验证的功能性食品开发蓝图。

关于这些来源

本研究页面基于8项同行评审研究构建——发表于2021年至2026年间，其中4项发表于2024年及以后，5项发表于Q1期刊，合计被引用296次——这些研究是从通过质量筛选的13项研究中遴选出的最相关研究，而这些研究又从超过5亿篇文献的数据库中检索到的71篇论文中筛选而来。

本文引用的文献