摘要
为克服普鲁兰纯化中存在的长期"脱色-回收率权衡"难题，本研究创新性地开发了D392树脂与325目活性炭协同混合脱色系统，并借助响应面法与BP人工神经网络相结合的混合框架，实现机理探索与高精度预测。初步单吸附剂优化采用响应面法，在1.8%树脂用量和1.4%活性炭用量下分别实现了92.5%和92.0%的高脱色率，但普鲁兰回收率仅分别为80.14%和77.14%。首次通过机理分析揭示，来自复杂普鲁兰发酵液（混合色素组分）的色素吸附在D392树脂上遵循单层Langmuir模型，在活性炭上遵循多层Freundlich模型，二者均符合准二级动力学模型，为协同系统设计提供了理论依据。考虑到二次响应面模型在描述高度非线性多吸附剂相互作用方面的内在局限性，进一步引入了BP神经网络，并应用独立测试子集客观比较预测性能。利用这些不同的吸附特性，采用响应面法和BP神经网络优化了顺序吸附，其中神经网络展现出优越的预测精度。在神经网络优化条件下（0.17%树脂和0.88%活性炭），混合系统实现了92%的脱色率和90.4%的回收率，与单吸附剂工艺相比，树脂消耗量大幅降低90.76%，活性炭消耗量降低37.14%。综合表征（紫外可见光谱、傅里叶变换红外光谱、X射线衍射、核磁共振和扫描电子显微镜）证实，普鲁兰的固有分子结构和功能特性得到了完整保留。本研究不仅打破了脱色效率与普鲁兰产量之间的传统权衡，还为多糖纯化提供了一种新颖且具成本效益的方法学范式。
利益冲突声明
作者声明不存在利益冲突。
数据可用性声明
吸附等温线、动力学、响应面法测试、神经网络训练/测试以及光谱表征的原始实验数据集可参见表S1–S8。用于神经网络训练和外部验证的输入–输出数据集见表S9。图S1展示了普鲁兰吸附脱色的BP神经网络拓扑结构，图S2展示了普鲁兰溶液脱色前后的照片。支持信息将在文章发表后公开可访问。无任何数据集保密。
