基于机器学习的硒生物转化与风味调控多模态优化技术在苹果-雪莲果功能饮料发酵中的应用

本研究创新性地将人工智能（AI）与响应面法（RSM）结合，通过极端梯度提升（XGBoost）模型优化发酵工艺（34.8°C，苹果:雪莲果=1:2.2，酶添加量0.65 g/L），实现89.78%硒转化率及149.42 mg/100mL多糖的高产。顶空-气相色谱-离子迁移谱（HS-GC-IMS）揭示风味物质动态变化（酯类↑442%，醛类↓23%），为功能食品精准发酵提供可解释性AI范式。

　　

亮点

本研究开发了可解释的机器学习（ML）框架，用于优化富含硒的植物乳杆菌（L. plantarum）YKX发酵苹果-雪莲果复合果汁。通过整合响应面法（RSM）和机器学习，成功解析了复杂的非线性动力学，确定了实现峰值品质和近最大硒转化效率的最佳条件。植物乳杆菌YKX可能通过硒代半胱氨酸裂解酶途径高效还原无机硒。基于顶空气相色谱-离子迁移谱（HS-GC-IMS）建立了风味-感官关联，揭示了关键代谢窗口期（12-24小时硒转化速率达1.52%/小时）。

讨论

本研究开发的苹果-雪莲果复合饮料发酵优化系统（34.8°C，苹果:雪莲果=1:2.2，酶添加量0.65 g/L）通过机器学习驱动方法实现精准参数控制，为秦巴山区特色资源产业化提供了可复制的解决方案。最终实现89.78%的硒转化率，以及生物活性产物的高产量（多糖149.42 mg/100mL，黄酮1.250 mg/mL）。

结论

本研究建立的机器学习框架成功优化了富含硒的植物乳杆菌YKX发酵苹果-雪莲果果汁工艺。XGBoost模型（R²=0.953）超越传统RSM，揭示了34-35°C温度阈值对菌株活性的关键影响。通过SHAP（SHapley Additive exPlanations）可解释性分析，明确了温度控制（±0.5°C）和酶协同作用的工业化指导价值，为平衡营养素生物利用度与风味复杂性提供了新范式。