基于表面特异性分析与机器学习的鼠李糖脂生物去污剂效能建模研究

本研究针对食品接触表面(FCS)病原微生物污染问题，创新性地结合表面特异性分析与机器学习技术，系统评估了生物表面活性剂鼠李糖脂(rhamnolipids)对单核细胞增生李斯特菌(L. monocytogenes)等食源性病原体的抑制作用。研究发现鼠李糖脂对不锈钢和木质表面10分钟内即可实现完全杀菌，但在高密度聚乙烯(HDPE)表面效果减弱。通过构建随机森林(Random Forest)和梯度提升(Gradient Boosting)等机器学习模型，首次揭示处理类型(重要性0.48)和孵育时间(重要性0.41)是影响去污效果的关键因素，为食品安全生产提供了新型生物去污方案和智能预测工具。

　　

在食品加工领域，食品接触表面(Food Contact Surfaces, FCS)的微生物污染一直是引发食源性疾病的重要隐患。传统消毒剂如季铵盐化合物(Quaternary Ammonium Compounds, QACs)虽广泛应用，但存在毒性残留和诱导细菌耐药性的风险。与此同时，单核细胞增生李斯特菌(Listeria monocytogenes)等顽固病原体能在不锈钢、木材和塑料表面形成生物膜，对食品安全构成持续威胁。面对这一挑战，生物表面活性剂因其可降解性和低毒性成为研究热点，其中由铜绿假单胞菌(Pseudomonas aeruginosa)产生的鼠李糖脂(rhamnolipids)展现出卓越的抗菌特性。然而，不同材质表面对去污效果的影响机制尚不明确，且缺乏定量预测模型。这项发表在《Applied Food Research》的研究通过整合微生物学实验与机器学习算法，为这一领域带来了突破性进展。

研究团队采用三大关键技术：1) 通过肉汤稀释法测定鼠李糖脂对三种病原体(L. monocytogenes ATCC 19115、E. coli ATCC 25922和S. Typhimurium ATCC 14028)的最小抑菌浓度(MIC)和最小杀菌浓度(MBC)；2) 模拟食品工业场景，在不锈钢、木材和HDPE表面接种标准化菌量后评估去污效果；3) 构建包括广义估计方程(GEE)、随机森林(Random Forest)和梯度提升(Gradient Boosting)在内的7种机器学习模型，采用5折交叉验证和留一法交叉验证(LOOCV)评估预测性能。

3. 结果

3.1 抗菌敏感性差异

鼠李糖脂对L. monocytogenes表现出最强抑制作用，MIC和MBC分别低至1.5625 μg/mL和3.125 μg/mL，远优于E. coli(43.75/50 μg/mL)和S. Typhimurium(37.5/43.75 μg/mL)。时间-杀菌曲线显示，L. monocytogenes在24小时内被完全清除。

3.2 表面材质影响

在不锈钢和木质表面，鼠李糖脂在10分钟内实现完全杀菌(log₁₀CFU降为0)；而HDPE表面40分钟后仍残留4.9 log₁₀CFU，可能与HDPE表面疏水性和微观结构有关。

3.3 机器学习建模

随机森林特征重要性分析显示，处理类型(0.48)和孵育时间(0.41)是最关键预测因子。梯度提升模型表现最优(LOOCV MSE=0.98)，其次是随机森林(LOOCV MSE=1.10)。PCA降维保留3个主成分(解释86%方差)可提升模型稳定性。

4. 讨论

该研究首次系统揭示了鼠李糖脂对不同材质FCS的差异化杀菌机制。不锈钢表面因光滑特性最易去污，而HDPE表面的微观粗糙结构可能为细菌提供庇护所。通过机器学习，研究突破了传统微生物学仅能描述现象的限制，建立了可量化预测去污效果的模型。随机森林等树模型能有效捕捉处理参数与杀菌效果间的非线性关系，其性能显著优于线性模型(R2提升约40%)。

5. 结论

这项研究为食品工业提供了两大利器：一是证实鼠李糖脂可作为不锈钢和木质表面的高效生物去污剂，二是建立了首个基于机器学习的去污效果预测系统。特别值得注意的是，研究提出的"处理类型-时间"双因子预测框架，为开发智能清洁监控系统奠定了算法基础。未来通过整合更多表面类型和环境参数，该模型有望升级为食品工厂的数字化卫生管理工具，推动食品安全控制从经验导向迈向数据驱动的新阶段。