乳脂肪球体(MFGs)：外源性脂溶性生物活性物质的天然载体及其预测模型构建

本研究针对天然载体在食品和医药领域的应用需求，创新性地评估了乳脂肪球体(MFGs)作为脂溶性生物活性物质载体的可行性。通过荧光成像和机器学习模型，揭示了化合物疏水性(log P)、极性表面积(TPSA)与膜结合能对封装效率的调控规律，其中随机森林回归模型的预测精度显著优于多元线性回归。该研究为天然载体系统开发提供了理论依据和技术支撑。

　　

在功能性食品和药物递送领域，如何实现脂溶性生物活性物质的高效封装与靶向释放一直是重大挑战。传统的人工载体系统存在制备工艺复杂、生物相容性不足等问题，而天然存在的乳脂肪球体(MFGs)因其独特的结构优势引起关注。这种由哺乳动物乳腺上皮细胞分泌的天然脂质颗粒，具有三明治结构的乳脂肪球膜(MFGM)和疏水核心，可能成为理想的载体系统。然而，关于MFGs对不同理化性质化合物的封装规律及其预测模型仍属空白。

来自加州大学戴维斯分校的研究团队在《Food Research International》发表的研究，首次系统评估了MFGs对五类不同疏水性(log P 1.5-8)和极性表面积(TPSA 25-120??²
)化合物的封装特性。研究采用荧光成像技术直观展示化合物在MFGs中的定位规律：低log P的黄酮类化合物(如非瑟酮)主要分布于MFGM层，而高log P的化合物(如视黄醇乙酸酯)则富集于核心。通过构建机器学习模型，发现随机森林回归(Random Forest Regression)能准确预测封装效率，关键参数包括log P、TPSA和膜结合能。

关键技术方法包括：从市售生乳中分离MFGs；选用五种模型化合物(槲皮素、姜黄素等)进行被动扩散封装；荧光显微成像分析化合物空间分布；建立多元线性回归与随机森林预测模型；考察乙醇浓度、温度等工艺参数对封装的影响。

研究结果

1. 荧光成像验证定位规律：证实化合物疏水性决定其在MFGs中的分布——log P<3的黄酮类富集于MFGM，log P>5的脂溶性维生素则进入核心。
2. 封装效率差异显著：视黄醇乙酸酯(log P 8.0)封装率≥100%，而非瑟酮(log P 1.5)仅30%。
3. 机器学习预测优势：随机森林模型的R²
   达0.91，显著优于线性回归，其中膜结合能是新型预测指标。
4. 工艺参数优化：乙醇浓度(20-50%)和温度(4-37°C)升高可提升高log P化合物的封装率。

讨论与意义
该研究首次阐明MFGs作为天然载体的广谱封装能力：其MFGM层可容纳中等疏水性物质，而核心区域适合高log P化合物。建立的预测模型突破了传统试错法的局限，为精准设计载体系统提供工具。从应用角度看，MFGs的天然来源特性既满足清洁标签趋势，又简化生产工艺——仅需被动扩散即可完成封装，较传统乳化工艺节能80%以上。值得注意的是，MFGs在模拟消化中表现出的保护作用(如延缓维生素D₃
氧化)与其天然脂解特性相关，这为开发新型口服递送系统开辟了道路。

研究团队特别指出，该载体系统对log P 4-8的化合物最具应用潜力，而极性过高的分子(TPSA>100??²
)可能需要辅助手段。未来研究将拓展至更多元化的化合物库，并探索MFGs与其他天然载体(如酵母细胞)的协同效应。这项成果不仅为食品工业提供了新型功能性成分载体方案，其建立的"结构-性质-效能"预测框架也可推广至其他天然递送系统的开发中。