编辑推荐：
推荐
为优化乳酸发酵条件，研究人员以乌尼浆果（Ugni molinae Turcz）汁为基质，开展单 / 共培养发酵的多目标优化研究。通过响应面法（RSM）和多准则决策（MCDM），发现单培养更利于总酚含量（TPC）和乳酸菌（LAB）计数提升，为功能性食品开发提供新策略。
论文解读
在功能性食品开发领域，如何通过微生物发酵高效提升天然产物的功能活性成分含量，同时平衡菌体生长与代谢产物生成，一直是研究热点与挑战。传统的单目标优化方法（如响应面法 RSM 结合期望函数 DF）往往只能提供单一最优解，难以全面反映多目标间的复杂权衡关系，尤其在涉及酚类物质释放、乳酸菌活性维持和有机酸生成等多维度指标时，其局限性更为明显。乌尼浆果（Ugni molinae Turcz）作为南美洲特有的富含酚类化合物的野生浆果，其传统加工方式易导致活性成分损失，因此亟需创新发酵技术以最大化其健康价值。在此背景下，智利天主教大学的研究团队开展了一项具有突破性的研究，相关成果发表在《Applied Food Research》，为浆果类功能食品的开发提供了全新的优化策略。
为解决多目标优化难题，研究人员以乌尼浆果果汁为基质，采用嗜酸乳杆菌（Lactobacillus acidophilus）和植物乳植杆菌（Lactiplantibacillus plantarum）的单培养及共培养体系，针对总酚含量（TPC）、乳酸菌计数（LAB）和乳酸（LA）浓度三个关键指标，综合运用响应面法（RSM）构建数学模型，并引入多目标优化（MOO）结合多准则决策（MCDM）方法（如简单加性加权法 SAW、TOPSIS 等），系统探究了温度、初始 pH 和接种量对发酵效果的影响。
研究中采用的关键技术方法包括：①Box-Behnken 设计（BBD）的响应面法，用于分析三因素（温度、pH、接种量）对三响应（TPC、LAB、LA）的交互作用；②非支配排序遗传算法 II（NSGA-II）的多目标优化，生成包含多个权衡解的帕累托前沿（Pareto front）；③多种 MCDM 算法（SAW、TOPSIS、LINMAP 等）筛选最优折中解，结合实验验证评估模型准确性；④聚类分析（KMeans 算法）解析实验数据的群体特征。
研究结果
3.1 RSM 建模分析
通过 Box-Behnken 设计构建的模型显示，单培养体系中，嗜酸乳杆菌和植物乳植杆菌的 TPC、LAB 和 LA 均受温度、pH 和接种量的显著影响，且存在非线性交互作用。例如，嗜酸乳杆菌单培养时，TPC 的最优条件为 35.3°C、pH 5.9、2% 接种量，最高达 723±15 mg/L；植物乳植杆菌单培养下，LAB 计数在 34.6°C、pH 6、2.7% 接种量时达 6.7±0.0 log CFU/mL。共培养体系中，LA 浓度在 35.6°C、pH 5.9、2.1% 接种量时最高（0.48±0.03 g/L），但 TPC 和 LAB 均低于单培养，可能与菌株间代谢竞争有关。模型验证显示，单培养的预测误差较小（TPC 误差 1-3 mg/L），而共培养因微生物互作复杂，误差较大（TPC 误差最高 129 mg/L）。
3.2 多目标优化与解的筛选
NSGA-II 算法生成的帕累托前沿显示，单培养的解空间更优，且计算效率显著高于传统 DF 方法（20 秒 vs. 1.40 分钟）。通过 MCDM 方法（权重设定为 TPC 80%、LAB 15%、LA 5%）筛选发现，SAW 算法的解与预期优先级吻合度最高，例如植物乳植杆菌单培养的最优解为 34.5°C、pH 6、3.6% 接种量，兼顾高 TPC（720 mg/L）和 LAB（6.22 log CFU/mL）。共培养中，尽管 LA 产量提升，但 TPC 和 LAB 的综合表现不及单培养，提示菌株间可能存在代谢抑制。
3.3 实验验证与模型评估
实验验证表明，单培养的预测值与实测值吻合良好，如嗜酸乳杆菌的 TPC 预测值 723 mg/L 与实测值 720 mg/L 接近，LAB 计数预测 6.19 log CFU/mL 与实测 6.22 log CFU/mL 一致。共培养中，LAB 计数实测值（5.56 log CFU/mL）与预测值（5.41 log CFU/mL）存在偏差，反映出共培养模型需进一步优化。此外，研究发现初始 pH 6 虽接近中性，但发酵后 pH 降至 4.2-5.2，酸性环境可能保护酚类物质稳定性，解释了高初始 pH 下 TPC 的优化机制。
结论与讨论
本研究首次将 MOO-MCDM 框架系统应用于浆果乳酸发酵优化，证实其在多目标平衡中的显著优势。结果表明，单培养体系在提升 TPC 和 LAB 方面优于共培养，而共培养更利于 LA 生成，提示需根据目标产物选择培养模式。NSGA-II 算法较 DF 方法能更快生成更丰富的帕累托解，结合 SAW 等 MCDM 工具可精准筛选符合优先级的工艺条件。尽管共培养模型存在挑战，但为后续引入神经网络等复杂建模提供了方向。该研究不仅为乌尼浆果的高值化利用奠定了技术基础，也为其他功能性食品的多目标发酵优化提供了通用方法论，有望推动微生物发酵领域从单一指标优化向系统工程化设计的转变。
