基于LSSVM-NSGA-II集成策略优化植物乳杆菌PC4发酵绿豆乳：提升抗氧化活性与风味品质的机器学习比较研究

本研究针对植物基发酵饮品品质优化难题，通过对比最小二乘支持向量机（LSSVM）与人工神经网络（ANN）结合NSGA-II算法的性能，发现LSSVM在预测精度与泛化能力上显著优于ANN（R2>0.97）。实验验证其优化的发酵条件（6.0 h, 37.0?°C, 1.99%接种量）有效抑制异味醛类（如己醛、壬醛），促进有益挥发物（1-己醇、乙偶姻等）生成，为功能性饮品开发提供数据驱动新范式。

　　

随着植物基饮食浪潮的兴起，绿豆乳等替代乳制品因其营养与可持续性备受关注。然而，发酵过程中抗氧化活性与风味品质的协同提升始终是行业痛点——传统工艺往往难以平衡微生物代谢的复杂性，导致产品存在异味醛类积累、功能成分不稳定等问题。植物乳杆菌（Lactobacillus plantarum）PC4作为潜在发酵剂，虽能增强益生特性，但其发酵参数对风味与抗氧化指标的非线性影响尚未系统量化。

为此，Tang Ping团队在《International Journal of Food Microbiology》发表研究，首次将机器学习比较策略引入绿豆乳发酵优化领域。研究对比了最小二乘支持向量机（Least Squares Support Vector Machine, LSSVM）与人工神经网络（Artificial Neural Network, ANN）的建模性能，并集成非支配排序遗传算法（NSGA-II）进行多目标优化，最终通过实验验证与气相色谱-质谱（GC-MS）分析揭示了风味调控机制。

研究主要采用三类技术方法：一是通过实验设计获取发酵参数（时间、温度、接种量）与响应值（抗氧化指标、挥发性物质）的数据集；二是构建LSSVM和ANN机器学习模型，以决定系数（R²）和误差指标评估预测性能；三是结合NSGA-II算法进行多目标优化，求解帕累托前沿最优解，并通过实验验证预测条件；最后利用GC-MS技术定量分析挥发性化合物变化。

模型性能比较

LSSVM在所有响应指标中均表现出更优的预测精度与泛化能力，尤其在数据有限条件下显著优于ANN。其R²值均高于0.97，而ANN模型在部分指标中出现过拟合现象。这一结果证实LSSVM更适用于小样本生物过程建模。

多目标优化与实验验证

通过LSSVM-NSGA-II集成优化，得到最优发酵参数为6.0小时、37.0?°C和1.99%接种量。实验验证显示，预测值与实测值误差普遍低于5%，其中DPPH自由基清除率、总酚含量等关键抗氧化指标偏差仅2.1–3.8%，证实模型可靠性。

风味物质调控机制

GC-MS分析表明，优化条件显著抑制了己醛（hexanal）、壬醛（nonanal）等异味醛类的生成（降幅达34–61%），同时促进1-己醇（1-hexanol）、乙偶姻（acetoin）、酯类（如乙酸乙酯）及芳香化合物（如2-戊基呋喃）的积累。这些变化直接关联于感官品质提升与氧化稳定性增强。

本研究通过机器学习驱动的方法学创新，成功破解了植物基发酵饮品多指标协同优化的难题。LSSVM-NSGA-II框架不仅实现了发酵过程的精准预测与调控，更从分子层面揭示了风味代谢物的定向转化机制。该策略为功能性食品开发提供了可推广的范式，尤其适用于复杂生物系统的多目标优化与工业化应用。未来研究可拓展至其他菌株-基质组合，进一步深化对微生物代谢网络的理解。