机器学习与常规实验设计在植物基蛋白挤出优化中的对比研究：基于贝叶斯优化与响应面方法的性能评估

为解决高湿挤压(HME)工艺优化中传统响应面方法(RSM)实验量大、预测精度受限的问题，研究人员对比了贝叶斯优化(BO)与RSM在优化大豆-小麦蛋白挤出物机械性能中的应用。结果表明，BO仅需11次实验即可收敛，预测误差(≤24.5%)显著低于RSM(最高61.0%)，且引入拉伸强度参数可提升模型精度。该研究为复杂食品加工系统优化提供了高效新范式。

　　

随着全球人口预计在2050年达到98亿，动物蛋白生产带来的温室气体排放已占全球总量的30%，转向可持续植物基蛋白成为迫切需求。然而，如何通过高湿挤压(HME)技术精准复刻鸡肉的纤维结构仍是行业难题——传统响应面方法(RSM)依赖预设多项式模型，需要15次实验且预测误差高达61%，而新兴的贝叶斯优化(BO)作为机器学习技术，有望以更少实验实现更高精度。

研究人员针对大豆蛋白浓缩物(SPC)和小麦面筋(WG)的60:40混合体系，通过双螺杆挤出系统(ZSE 27 MAXX)开展研究。采用三因素三水平Box-Behnken设计构建RSM数据集，同时建立BO框架：1) 构建高斯过程(GP)代理模型，组合常数核与径向基函数(RBF)核；2) 采用改进期望提升(EI)函数指导参数搜索；3) 通过加权求和法将多目标优化转化为单目标函数。关键创新在于首次将拉伸测试与传统压缩/切割测试结合，并限制BO仅使用RSM数据集以实现公平对比。

3.1 不同物性参数的模型性能比较
RSM分析显示，水分含量对挤出物质构影响最大(p<0.001)，其次是机筒温度。加入拉伸参数后，模型预测R²从80.3%提升至89.9%。BO在仅使用7次实验数据时即实现收敛，且拉伸参数的引入使所需实验从11次降至10次，证实其对复杂非线性关系的捕捉能力。

3.2 模型稳健性与优化效率
对比预测误差发现，BO在初始收敛时的误差(7.59-14.19%)显著低于RSM(44.14-61.0%)。值得注意的是，完全迭代的BO模型因探索稀疏区域导致误差略增至10.69-24.48%，但增强了泛化性。多变量分析(PCA/PLS-DA)证实，BO优化样品在PC1轴上更接近鸡肉参考样，其中拉伸强度是初期优化的关键驱动因子(VIP评分最高)。

3.3 工艺-结构-性能关系
热图聚类显示，优化样品与鸡肉的纹理差异主要来自较高的硬度和咀嚼性。有趣的是，虽然拉伸性能主导初期优化，但后期精细调整阶段弹簧性和硬度成为更重要的 discriminative 指标。

该研究证实BO能以27%的实验量缩减实现更优预测，突破传统RSM的局限性。拉伸测试的引入首次系统揭示了纤维排列对挤出物各向异性力学行为的影响，为植物基肉制品开发提供了新评价维度。未来研究可解除BO的搜索空间限制，并探索更多非线性物性参数，这将进一步推动机器学习在食品工业中的应用边界。论文发表于《Current Research in Food Science》，为复杂生物聚合物加工优化树立了新方法论标杆。