膳食蛋白添加对小麦粉面团力学性能的定量与定性调控：基于432种配方的预测建模研究

《Food Science & Nutrition》：Quantitative and Qualitative Control of Wheat Flour Dough's Mechanical Properties via Dietary Protein Addition

　　

膳食蛋白强化可提升烘焙食品的营养，但其对面团力学性能的影响仍不清楚。为解决这一问题，研究人员设计了432种配方，使用8种蛋白质（替代率高达70.6%）、7种脂质构型以及盐，并调整水分（烘焙百分比为38%–159%）。质构剖面分析（10 mm压缩距离）与动态流变学测量（0.1–80 Hz，0.5%应变）共产生19个连续和三分位离散化的力学目标变量。研究人员开发了并行的回归与分类工作流，分别预测连续值以及三分位定义的类别（低、中、高）。模型包括用于连续预测的岭回归（Ridge regression）、用于分类的逻辑回归，以及同时用于两类任务的随机森林（Random Forest）和梯度提升（Gradient Boosting），并通过五折交叉验证评估性能。两种范式对流变特性的预测准确率通常高于质构属性：流变特性的R²最高达0.87，分类准确率最高达89.3%；质构属性的R²最高为0.78，准确率最高为82.9%。排列重要性分析显示，大豆蛋白、豌豆-藜麦混合物和面包粉是主要预测因子，而脂质和盐的平均预测权重较低。流变回归模型需保留8–10个预测因子才能维持≥90%的全模型R²，而硬度、胶粘性、咀嚼性和回复性仅需4个。酪蛋白的归一化预测重要性在分类任务中比回归任务高42.1%，表明其相关性具有任务依赖性。该研究并未证明生物物理因果关系，而是建立了一个经过内部验证的预测框架。这些发现为配方科学提供了数学基础，可定量筛选并合理设计复合面团配方，从而为高植物蛋白食品开发提供支持，即在所研究范围内优先选择值得实验测试的配方。

近年来，膳食蛋白强化已成为提升烘焙产品营养品质的重要途径，但外源蛋白添加对面团力学行为的影响仍不明确。面团力学性能主要由小麦贮藏蛋白（聚合型麦谷蛋白和单体醇溶蛋白）形成的粘弹性谷蛋白网络决定；外源蛋白掺入会稀释天然贮藏蛋白并与面筋竞争水分，从而破坏二硫键交联网络，导致面团脆性增加、咀嚼性下降和弹性丧失。以往研究多局限于特定蛋白种类、替代水平和产品基质，且不同研究的力学参数与水化方案差异较大，难以在宽泛配方条件下进行预测；传统试错法在多组分变化时效率低。为此，研究人员设计了432种面团配方，旨在建立集连续定量回归与分类筛选于一体的预测框架，为复合面团配方设计提供数学基础。

该研究采用高度结构化的正交组合设计，包括12个无蛋白对照、224个单蛋白配方和196个双蛋白混合配方；8种膳食蛋白（大豆、豌豆、蛋清、酪蛋白、乳清、谷朊粉、鹰嘴豆、豌豆-藜麦）在数据集中均匀分布（每种n=77），蛋白质替代率最高达70.6%。通过质构剖面分析（Texture Profile Analysis, TPA）和动态流变学测量获得19个力学变量，并并行构建回归与分类模型对连续值和三分位类别（低、中、高）进行预测。结果表明，流变特性的预测精度普遍高于质构特性；大豆蛋白、豌豆-藜麦混合物和面包粉是最重要的预测因子，脂质和盐的预测贡献很低。该研究并未证明生物物理因果，而是提供了一个内部验证的预测框架，可优先筛选高植物蛋白面团配方，减少实验工作量。

关键技术方法：研究人员利用432个结构化面团样本，在25°C下采用应力控制旋转流变仪（0.1–80 Hz，0.5%应变，22个频率点）获得12个流变变量，并用质构分析仪（10 mm压缩距离，速度3/1/1 mm/s）获得7个TPA参数。对每个变量分别以岭回归、SVR_RBF、随机森林、极端随机树、直方图梯度提升以及对应分类模型进行五折交叉验证。置换重要性基于极端随机树计算，并采用顺序特征去除评估预测鲁棒性。所有模型使用相同折划分。

研究结果（保留每个小标题）：

3.1 力学性能的定量控制

3.1.1 回归模型预测小麦面粉面团力学性能：通过比较五种回归模型，岭回归的平均R²最高，对储能模量和复数黏度尤为擅长；极端随机树对tan δ的所有频率区给出最高R²（中频0.865）。流变属性的可预测性总体高于质构属性，粘附性、弹性和内聚性表现较差；回复性则例外（R²=0.697–0.778）。

3.1.2 成分重要性排序：置换重要性分析显示，大豆蛋白是最重要的预测因子，面包粉和豌豆-藜麦混合物紧随其后，豌豆蛋白第四，谷朊粉和鹰嘴豆蛋白随后；水、蛋清、乳清和酪蛋白重要性中等，脂质和盐几乎无贡献。植物源蛋白的平均重要性高于动物源蛋白，但该比较限于商业产品。

3.1.3 回归模型对顺序去除的敏感性：顺序去除实验表明，硬度、胶粘性、咀嚼性和回复性在保留4个预测因子时仍维持≥90%的全模型R²；弹性和内聚性需要10个，酪蛋白触发性能下降。流变属性通常需要8–10个预测因子，酪蛋白最常触发性能弱化。单预测因子时，高频损耗模量保留率降至7.4%，表明流变属性对预测因子集更敏感。

3.2 力学性能的定量控制（原文标题如此，实际内容为分类模型）

3.2.1 分类模型预测小麦面粉面团力学性能：五种分类模型中，逻辑回归对16/19个属性取得最高准确率，tan δ高频达到0.893。分类性能同样呈现流变属性优于多数质构属性，弹性和内聚性仍难分类（准确率0.521–0.627），回复性准确率0.764–0.829。

3.2.2 基于分类的成分重要性排序：分类置换重要性与回归高度一致，大豆蛋白、豌豆-藜麦混合物、面包粉、谷朊粉和豌豆蛋白贡献最大。酪蛋白在分类中的权重较回归明显上升，而鹰嘴豆蛋白在分类中接近零贡献。

3.2.3 分类模型对顺序去除的敏感性：咀嚼性只需2个预测因子即可维持≥90%的全模型平衡准确率，粘附性和胶粘性需3个，硬度、内聚性和回复性需5个。流变属性需4–8个，高频损耗模量最敏感，单预测因子时保留49.6%。

讨论与结论：讨论部分指出，流变属性在小应变振荡条件下反映内在粘弹性网络结构，故与配方组成关系更直接；质构属性在大变形压缩下受结构异质性和测量变异性影响，故预测难度更大。重要性不等于因果效应，低重要性也不意味着功能无关。酪蛋白在分类中权重升高提示其影响可能呈阈值依赖而非连续剂量依赖。研究局限包括配方空间仅限8种商业蛋白、水添加量与蛋白类型共线、缺乏外部工业验证、三分位离散化可能丢失类内信息。结论翻译为：综上所述，回归与顺序去除结果显示流变与质构输出在预测性能和预测因子敏感性上存在属性依赖差异。在432个配方和19个力学属性中，回归R²最高达0.865（tan δ中频），分类准确率最高达0.893（tan δ高频）。硬度和咀嚼性等质构属性在回归中仅需4个预测因子即可保留≥90%的R²，咀嚼性在分类中仅需2个。脂质和盐的平均置换重要性较低，支持蛋白相关变量在测试空间内的主导预测作用。该研究并未证明生物物理因果，而是为多组分复合面团配方提供了内部验证的预测近似与筛选指导；未来需结合外部验证、微结构表征和实时混合动力学研究。