《Food Chemistry》：Machine learning-enabled discrimination and key feature identification of functional whey protein ingredients based on multidimensional compositional, physicochemical, and structural properties
编辑推荐：
•机器学习成功区分了三种预定义的功能性乳清蛋白类别。•重复嵌套的分组交叉验证有效最小化了机器学习建模中的数据泄漏问题。•α-乳白蛋白、β-乳球蛋白及二级结构特征是关键判别指标。•四特征机器学习模型支持以更少的测量实现快速筛选。•降维特征筛选可大幅降低实验工作量。引言近年来，对
- •
机器学习成功区分了三种预定义的功能性乳清蛋白类别。
- •
重复嵌套的分组交叉验证有效最小化了机器学习建模中的数据泄漏问题。
- •
α-乳白蛋白、β-乳球蛋白及二级结构特征是关键判别指标。
- •
四特征机器学习模型支持以更少的测量实现快速筛选。
- •
降维特征筛选可大幅降低实验工作量。
引言
近年来，对高质量膳食蛋白日益增长的需求推动了乳清蛋白在营养和食品应用中的更广泛使用（Ma等，2026；Tuna & Ersoy，2026）。然而，天然乳清蛋白容易受热变性、聚集、凝胶化和沉淀的影响，这限制了其在热加工食品中的应用（Foegeding等，2002；Wijayanti等，2014）。为满足不同的加工和质地需求，人们开发了多种功能性乳清蛋白原料，如微粒化乳清蛋白（MWP）、热稳定乳清蛋白（TWP）和凝胶形成乳清蛋白（GWP），用于质地改良、热稳定性和凝胶形成等应用（Kew等，2020；Roy & Amamcharla，2026）。MWP通常通过控制热力和机械处理，形成部分变性、聚集的蛋白质颗粒而制备（De Paula等，2026；Sa?lam等，2014）。这些结构特征使MWP能够在低脂乳制品、冷冻甜点和高蛋白饮料中作为脂肪替代品和质地改良剂发挥作用，通过改善水分结合能力、乳化稳定性、悬浮稳定性以及奶油状或丝滑的口感来实现（?ak?r-Fuller，2015；Meng等，2025；Ozturk-Kerimoglu等，2022）。摩擦学研究表明，致密且相对刚性的MWP颗粒可通过滚珠轴承机制降低口腔摩擦系数，从而模拟天然脂肪球的流变学和摩擦学行为（Liu等，2016）。相比之下，TWP和GWP与不同程度的乳清蛋白变性和聚集相关，导致不同的功能终点。TWP通常具有在后续热加工过程中改进的分散稳定性，这可通过控制乳清蛋白的展开和聚集行为来实现，尤其适用于高蛋白饮料和热处理乳制品体系（Roy & Amamcharla，2026；Wijayanti等，2014）。GWP则具有更强的凝胶形成能力，其中乳清蛋白通过疏水相互作用、氢键和二硫键交换展开并组装成三维网络，从而增强半固态或凝胶态食品体系的黏度、持水性和质地（Foegeding等，2002；Tanger等，2021）。因此，MWP、TWP和GWP代表功能不同的乳清蛋白原料，其应用适宜性取决于蛋白质组成、颗粒特性、聚集状态和结构组织之间的平衡。
尽管功能乳清蛋白原料具有重要的商业价值，但由于原料组成、配方和加工历史的差异，其理化性质和结构特性仍存在较大变异，导致这些原料高度异质。这种异质性使得传统单因素指标难以按照预定义的功能定位区分商业原料。此外，蛋白质组成、理化性质与结构组织之间的关系是多维度且可能非线性的。因此，将这些互补测量与数据驱动方法相结合，可以提供一种更系统的方法来识别类别相关的模式并区分具有不同功能定位的商业乳清蛋白原料。
近年来，机器学习（ML）已成为食品科学领域重要的数据驱动工具，应用于工艺优化、质量评估和功能性质预测等方面（Campo-Manzanares等，2026；Ge等，2025；Kirtil，2025；Song等，2025；Yi等，2025）。与基于单一指标或简化统计假设的传统方法相比，机器学习能够捕捉多个组成、理化和结构变量之间的非线性关系，使其特别适用于评估功能乳清蛋白原料，因为这类原料的应用性能受多个交互因素影响。
本研究构建了一个包含商业可获得功能性乳清蛋白原料（包括MWP、TWP和GWP）的多维数据集，并系统表征了其组成、理化和结构性质。随后，利用机器学习算法区分预定义的功能类别，并识别与类别判别最密切相关的组成和结构特征。因此，本研究提供了一种数据驱动的概念验证框架，用于表征具有不同功能定位的商业乳清蛋白原料，并探索用于初步原料筛选的简化指标集。
各章节摘要
功能性乳清蛋白原料样品
功能性乳清蛋白原料样品的详细供应商信息及应用类别见表1。所选商业乳清蛋白原料来自领先制造商的成熟产品，具有相对稳定的规格和明确的功能定位，适合作为开发初始概念验证分类框架的基准材料（Wang等，2026）。样品编号为W1–W16。基于
功能性乳清蛋白原料间蛋白质组成和结构的差异
还原条件下SDS-PAGE揭示了功能性乳清蛋白样品蛋白质图谱的显著差异（图1a），特别是β-Lg和α-La的相对丰度差异，以及高分子量（HMW，>180 kDa）蛋白条带的存在和强度差异。在包括W5、W6、W7、W8、W9、W10、W12、W14、W15和W16在内的多个样品中观察到与β-lg（约18 kDa）和α-la（约14 kDa）相对应的清晰条带，表明单体形式占比较高
讨论
商业功能性乳清蛋白原料之间的应用差异似乎与蛋白质组成和二级结构组织的变异相关。在还原SDS-PAGE条件下，多个GWP样品显示出相对强烈的β-Lg和α-La条带，表明β-Lg和α-La单体形式的蛋白质含量更高（图1a）。相比之下，MWP样品通常表现出较弱的β-Lg和α-La条带以及更明显的
结论
本研究证明了通过整合多维表征与机器学习来区分商业乳清蛋白原料预定义功能类别的可行性。MWP、TWP和GWP表现出独特但部分重叠的组成和结构特征，表明其功能差异与多变量特征模式相关，而非单一标志物。机器学习分析一致地识别出α-La、β-Lg以及
CRediT作者贡献声明
谢秋平：初稿撰写、资源提供、方法学。牛世珍：资源提供、方法学。林正特：方法学。陈子琪：方法学。杨冬：资源提供、方法学、调查研究。徐雨佳：资源提供、方法学。洪诗怡：调查研究。赵越：资源提供、方法学。刘栋红：监督指导、资源提供、方法学。李洪良：资源提供、方法学。卢鹏：初稿撰写、监督指导、资源提供、方法学、调查研究。刘观臣：监督指导，
未引用参考文献
Pang等，2024
Pang等，2024
利益冲突声明
作者声明不存在已知的可能影响本文所述工作的竞争性经济利益或个人关系。
致谢
本研究得到中央地方科技发展基金（2025ZY0088）、国家自然科学基金（项目编号32472484、U24A20475）以及浙江省自然科学基金（项目编号LQ24C200009和LQN25C050002）的支持。
谢秋平|牛世珍|林正特|陈子琪|杨冬|徐雨佳|洪诗怡|赵越|刘栋红|李洪良|卢鹏|刘观臣
