《Sustainable Food Technology》:Optimization of probiotic beverage made from Sohiong fruit using response surface methodology and artificial neural network–genetic algorithm hybrid model
编辑推荐:
本研究针对未充分利用的Sohiong野果开发高值化功能性益生菌饮料,整合响应面法(RSM)与人工神经网络?遗传算法(ANN?GA)优化发酵关键参数,显著提升饮料抗氧化活性(DPPH清除率达71.55%)及酚类、花青素含量,验证了ANN?GA在非线性发酵体系中的优越预测精度(R2=0.9988),为野生资源可持续开发提供数据驱动策略。
喜马拉雅山麓东北部的印度梅加拉亚邦,生长着一种名为“Sohiong”(学名:Prunus nepalensis)的本土野生水果。这种果实不仅色泽深紫、风味独特,更富含高浓度的花青素(约984?mg C3G/100?g干重)、酚类和黄酮类化合物,具备显著的抗氧化潜力。然而,Sohiong果的商业化利用长期面临两大瓶颈:一是采摘期短暂(8月—11月),二是常温下仅4—5天的极短货架期,导致鲜果难以远销,资源优势无法转化为经济价值。与此同时,现代消费者对兼具营养与功能性的“清洁标签”食品需求日益增长,如何将这类野生资源转化为高附加值产品,成为食品科学与可持续农业的重要课题。
在此背景下,科研人员将目光投向益生菌发酵技术——通过乳酸菌或双歧杆菌等有益微生物的代谢作用,不仅能延长产品保质期,还能释放更多生物活性物质,增强健康益处。但传统发酵工艺优化多依赖“单因素试验”或响应面法(Response Surface Methodology, RSM),后者虽能捕捉变量间的线性与二次关系,却难以精准描述发酵体系中复杂的非线性相互作用。近年来,人工智能工具的引入为这一难题提供了新思路:人工神经网络(Artificial Neural Network, ANN)能够模拟非线性系统,而遗传算法(Genetic Algorithm, GA)则能从海量参数组合中高效搜寻最优解。两者的结合(ANN–GA)已在多个食品加工领域展现出超越传统方法的预测精度,但尚未应用于Sohiong果的益生菌饮料开发。
为此,研究人员首次将RSM与ANN–GA联用,旨在实现三个目标:一、筛选影响Sohiong益生菌饮料抗氧化活性的关键发酵变量;二、对比两种模型的预测性能,验证ANN–GA在复杂发酵体系中的优势;三、获得最佳工艺条件,为工业化生产提供理论依据。相关成果发表于《Sustainable Food Technology》,不仅为野生水果的高值化利用开辟了新路径,也为食品生物加工的智能化升级提供了范例。
关键技术方法概览
研究首先采用Plackett–Burman设计从温度、菌种、接种量和发酵时间中筛选显著影响DPPH自由基清除率的关键变量;随后通过最陡爬坡实验逼近最优区域,再以Box–Behnken设计建立RSM二次多项式模型。同时,构建3-10-1结构的ANN模型(输入层3节点对应关键变量,隐藏层10神经元,输出层1节点为DPPH),并用遗传算法(种群规模50、迭代100代)优化初始权重与偏置。所有实验均以Sohiong果浆为基质,接种Lactobacillus plantarumMCC 2974或BifidobacteriumBB-12,测定DPPH、总酚(TPC)、总花青素(TAC)与总黄酮(TFC)作为核心指标。
研究结果
3.1 Plackett–Burman筛选
通过12组实验评估四因素对DPPH的影响,回归分析显示:温度(p=0.000003)、菌株(p=0.006)和接种量(p=0.035)是显著变量,而发酵时间无统计学意义(p=0.748)。其中,Lactobacillus plantarumMCC 2974的表现优于BifidobacteriumBB-12,被确定为后续优化的唯一菌种。结果表明,合理提高接种量与温度可促进微生物代谢,释放更多抗氧化物质,但过长的发酵时间会导致酚类降解,因此24小时被选为最佳时长。
3.2 最陡爬坡实验
固定菌种与接种量,逐步升温测试DPPH变化。结果显示,37?℃时DPPH达到峰值71.11%,同时TPC(156.10?mg GAE/g)、TAC(229.23?mg C3GE/100?mL)和TFC(176.56?mg QE/100?mL)均同步提升,证实此温度为关键拐点,遂将其作为后续Box–Behnken设计的中心点。
3.3 Box–Behnken设计与RSM建模
以接种量(A)、发酵时间(B)和温度(C)为自变量,DPPH为响应值构建二次模型。方差分析显示模型高度显著(p<0.001),R2=0.9467,失拟项不显著(p=0.3597),说明模型拟合良好。响应曲面呈明显弯曲,表明变量间存在交互作用——低温与低接种量组合下,升温对DPPH的提升效应更强。模型预测的最佳条件为:接种量4.00×10??CFU/mL、发酵24?h、温度37?℃,此时DPPH预测值为71.55%。
3.4 人工神经网络耦合遗传算法(ANN–GA)
将相同实验数据输入ANN–GA模型,训练后整体R2高达0.9988,显著优于RSM。遗传算法优化后的权重与偏置使模型收敛更快,预测误差更低(RMSE=0.63 vs. RSM的1.98)。ANN–GA给出的最优参数为:接种量8.82×10??CFU/mL、发酵24?h、温度37?℃,预测DPPH=71.22%;实际验证结果为71.18%,偏差仅0.04%,且TPC(160.00?mg GAE/g)、TAC(227.85?mg C3GE/100?mL)和TFC(183.96?mg QE/100?mL)均达到或超过RSM预测水平。
3.5 模型对比与验证
直接比较显示,ANN–GA的预测值与实测值几乎重合,而RSM在极端条件下存在小幅偏离。定量指标上,ANN–GA的R2(0.9988)高于RSM(0.9467),RMSE(0.63)与平均绝对偏差(AAD=1.46%)低于RSM(1.98与3.21%),证明其在处理非线性发酵系统时具有更高的鲁棒性与泛化能力。
3.6 次要质量指标(TPC、TAC、TFC)
在最优条件下,发酵后饮料的生物活性成分显著提升:TPC较未发酵对照增加22.6%(至160.00?mg GAE/g),TAC增17.1%(至227.85?mg C3GE/100?mL),TFC增21.7%(至183.96?mg QE/100?mL)。这种增长归因于L. plantarum的代谢作用——通过酶解释放结合态酚类,并将部分前体转化为更高活性的衍生物,从而协同增强抗氧化能力。
结论与意义
本研究成功将传统统计方法与人工智能技术相结合,实现了Sohiong果益生菌饮料的精准工艺优化。核心结论有三:其一,Plackett–Burman设计高效锁定了温度、菌种和接种量为关键可控变量,简化了优化维度;其二,ANN–GA模型在预测复杂非线性发酵响应时完胜传统RSM,其极高的预测精度(偏差<0.05%)为食品加工过程的数字化控制提供了有力工具;其三,最终产品不仅抗氧化活性优异,更通过微生物转化大幅提升了多酚与花青素含量,使一种易腐的野生资源转变为稳定、高值的功能性饮品。
从更广视角看,这项工作体现了“可持续生物加工”的理念:一方面减少试错成本,降低资源消耗,契合循环生物经济原则;另一方面挖掘本土生物多样性价值,助力乡村产业振兴。未来,若能补充发酵后活菌数与贮藏稳定性数据,并开展中试放大与感官评价,这一技术路线有望成为野生水果资源开发的标准化范式,为全球可持续食品体系贡献来自喜马拉雅的智慧。