综述:绿色数字分析方法在植物基肉类可持续发展中的应用:整合人工智能、计算建模与非破坏性检测技术

《Microchemical Journal》:Green digital analytical approaches for sustainable development of plant-based meat: Integrating AI, computational modeling, and non-destructive testing

【字体: 大 中 小 】 时间:2026年01月12日 来源:Microchemical Journal 5.1

编辑推荐:

  植物基肉制品开发中整合AI、机器学习、高光谱成像等绿色分析技术,实现非破坏性检测,减少溶剂使用和能源消耗达60-70%,同时提升产品质构和营养监控效率,为可持续食品系统提供新范式。

  
Saeid Jafari|Halak N. Mehta|Rahul D. Kamath|Sochannet Chheng|Vinoothna Ramisetty|Isaya Kijpatanasilp|Mahdi Ebrahimi|Subhashis Chakraborty|Kitipong Assatarakul|Dharmendra K. Mishra
泰国曼谷朱拉隆功大学理学院食品技术系,邮编10330

摘要

将绿色分析方法整合到食品创新中对于提升可持续性和减少产品开发过程中的环境足迹至关重要。本文探讨了新兴数字工具(如人工智能(AI)、机器学习(ML)、高光谱成像(HSI)、电子鼻(E-nose)、电子舌(E-tongue)和计算模拟)如何作为无损、无需溶剂且节能的分析方法,应用于植物基肉类替代品(PBMAs)的开发。这些技术能够实时监测产品的结构、质地和营养特性,而不会产生化学废物,从而替代了资源密集型的传统分析方法。AI和ML通过从光谱或传感器数据预测质量和安全特性来优化配方;计算建模则减少了重复实验的需要。HSI能够快速进行成分和质量的像素级映射;E-nose/E-tongue系统可以在不破坏物理样本的情况下分析风味和香气。总体而言,这些方法体现了绿色分析化学的原则,通过最小化试剂使用、减少废物产生和能源需求,同时提高工艺效率和产品质量。例如,与传统的破坏性方法相比,集成数字工作流程可将分析废物和能源使用量减少约60-70%。本文还进一步探讨了这些方法在PBMAs之外的更广泛食品和环境监测中的应用,强调了它们在可持续食品系统和循环经济战略中的作用。

引言

随着食品行业对环境管理和可持续发展的日益重视,我们设计、测试和监测食品产品的方式受到了重新关注。传统的分析方法虽然有效,但通常涉及破坏性采样、大量样本处理、高溶剂消耗以及高能耗的仪器设备,这些都导致了资源消耗和废物产生[1]。当在产品开发的多个阶段和质量保证过程中重复进行分析测试时,这些方法尤其具有挑战性。因此,迫切需要能够最小化环境影响的同时保持或提升分析性能的可持续、绿色分析方法。传统的分析方法(如湿化学或破坏性质地分析)往往依赖于有害溶剂、高能耗和一次性样本,从而产生大量废物[2]。例如,用于感官化合物分析的高效液相色谱法(HPLC)每个样本会产生1-5升溶剂废物,对环境造成危害。相比之下,绿色分析化学(GAC)通过优先考虑绿色化学的12项原则(包括最小化溶剂使用、实时分析、减少废物和能源效率)提供了一个变革性的框架。高光谱成像(HSI)、电子鼻(E-nose)和基于人工智能(AI)的预测建模等方法实现了无损、低废物的分析。研究表明,与传统基于溶剂的技术(如高效液相色谱法)相比,这些方法可将环境足迹减少高达70%[3,4]。 绿色分析化学(GAC)的框架为这一转型提供了指导原则,包括最小化或消除有毒试剂和溶剂、减少能源消耗、实现实时和在线分析、最小化样本量和废物以及最大化自动化和数据整合。在食品和环境分析的背景下,GAC鼓励采用无损、无需溶剂且资源高效的技术,这些技术能够快速提供高质量的数据,同时不牺牲可持续性。当与现代数字技术(如人工智能(AI)、机器学习(ML)、高光谱成像(HSI)和计算建模)结合时,这些原则使得新一代分析方法既符合环境目标也符合经济目标。 全球对植物基肉类替代品(PBMAs)的需求不断增加,这主要是由于对可持续性、健康和伦理问题的关注,使其成为食品行业的一个变革性解决方案。传统的畜牧业对温室气体排放、森林砍伐、水资源使用和生物多样性丧失有显著影响,而植物基肉类生产则提供了一种环境影响较小的可持续替代方案[5]。注重健康的消费者越来越意识到大量摄入红肉和加工肉类所带来的风险(如心脏病、糖尿病和肥胖症),这使得富含营养的PBMAs成为一种有吸引力的蛋白质来源。伦理考虑(包括动物福利)进一步加速了向无残忍饮食的转变。尽管PBMAs具有多样性和文化适应性,但复制动物基肉类的复杂结构和质地仍然是一个艰巨的挑战,需要食品科学和材料工程领域的跨学科创新(图1)[6]。PBMAs为应用和推进绿色数字分析工具提供了一个理想的案例研究。PBMAs的生产是一个快速发展的领域,其驱动力是消费者对可持续和道德蛋白质替代品的需求。然而,其开发需要精确监测质地、结构、营养成分和感官特性——这些参数传统上依赖于资源密集型和破坏性的分析方法。通过利用绿色分析技术,PBMAs的研究和生产可以转向实时、无损的监测,显著减少实验室废物、能源使用和迭代试验的次数。 本文首次将AI、ML、HSI和计算建模综合为一个用于PBMAs开发的绿色分析化学框架,强调了它们在减少分析废物(最多减少90%)和能源使用(最多减少60%)方面的共同作用。与以往仅关注单一工具的综述不同,本文从整体角度探讨了它们在质量、安全和可持续性评估方面的整合效果,对更广泛的食品和环境监测具有启示意义。 本文还研究了新兴数字工具如何不仅提高PBMAs的质量和感官特性,还体现了GAC的原则,使其成为更广泛的食品和环境科学中可持续分析创新的典范和推动力。此外,本文整合了近期研究(n=50),强调了如HSI和基于AI的分析等无损技术,这些技术减少了化学物质的使用和能源需求。

部分摘录

文献综述方法

文献搜索系统地使用了Scopus、Web of Science和Google Scholar数据库,查询词包括“plant-based meat analogs”或“PBMA”以及“artificial intelligence”或“AI”或“machine learning”或“hyperspectral imaging”或“green analytical chemistry”或“non-destructive testing”,以识别有关可持续分析方法的相关研究。文章的选择基于同行评审等纳入标准。

用于PBMAs分析的绿色数字工作流程

PBMAs的研发和质量保证涉及多个相互关联的阶段,每个阶段都面临着独特的分析挑战。绿色数字工作流程(图2、图3)在从初始配方到最终安全评估的关键环节整合了无损、低废物的技术,取代了传统的资源密集型方法。该框架将核心数字工具(AI/ML、无损传感器、计算建模)映射到关键的PBMAs开发阶段:

安全和可持续性评估的集成应用

绿色数字工作流程的真正优势在于这些工具的集成,能够解决PBMAs在安全和环境影响方面的整体挑战——超越了单一的质量指标。

已发表研究中关于PBMAs质量和可持续性评估的绿色分析方法概述

数字工具(如AI、ML和HSI)实现了PBMAs的无损、低影响分析,符合绿色分析化学(GAC)的原则,即减少废物、提高能源效率并避免使用试剂。与传统的分析技术(如质地分析TPA或化学测定)不同,这些工具每个样本产生的溶剂废物仅为1-3升,并且不需要破坏性采样,因此可以将分析废物和能源使用量分别减少多达90%和60%[3,4]。

关于PBMAs评估的绿色分析方法的综述研究概述

数字工具(如AI和ML)通过实现无损、低影响的方法,改变了PBMAs的分析方式,提高了质量、安全和可持续性的评估。与传统的分析技术(如化学测定或破坏性质地分析)不同,这些工具每个样本产生的溶剂废物仅为1-3升,因此可以将废物和能源使用量分别减少多达90%和60%[3,4]。

挑战与局限性

尽管AI、ML和高光谱成像(HSI)在植物基肉类替代品(PBMAs)研究方面取得了快速进展,但仍需解决一些挑战和局限性才能实现更广泛的应用。 首先,PBMAs基质的差异(如大豆蛋白和豌豆蛋白之间的差异)常常会降低AI/ML模型的准确性和普遍性[6,18]。深度学习方法还需要较高的计算能力,这对资源有限的小型研究团队或公司来说是一个障碍。

结论与未来方向

包括AI、ML、HSI和计算建模在内的数字技术正在通过实现无损、低影响的方法改变PBMAs的分析方式,提高了质量、安全和可持续性的评估。与传统的分析技术(如质地分析或化学测定)不同,这些工具每个样本产生的溶剂废物仅为1-3升,因此可以将分析废物和能源使用量分别减少多达90%和60%,符合绿色分析化学(GAC)的原则。AI和ML可以预测质地特性。

AI使用声明

作者感谢xAI开发的Grok 3人工智能工具在帮助改写本文某些部分内容方面的支持,以提高清晰度并减少文本相似性。所有由AI生成的内容都经过了作者的彻底审查和编辑,以确保准确性、原创性和与研究目标的一致性。

CRediT作者贡献声明

:概念化。 :方法论、研究。 :撰写——初稿。 :撰写——初稿。 :撰写——初稿。 :可视化。 :撰写——初稿。 :撰写——审稿与编辑。 :撰写——审稿与编辑。 :监督、资源管理、项目管理和资金获取。

未引用的参考文献

[12], [13], [14], [16], [17], [19], [23], [25], [26], [27], [28], [29], [30], [31], [32], [36], [37], [38]

利益冲突声明

作者声明他们没有已知的财务利益或个人关系可能影响本文所述的工作。

致谢

本项目得到了美国农业部(USDA)国家食品与农业研究所(Hatch Project 1023114)的支持。作者(Saeid Jafari博士)还要感谢朱拉隆功大学的Second Century Fund(C2F)提供的博士后奖学金。
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号