基于拉曼光谱和注意力神经网络的脂质氧化指标快速预测——以添加α-生育酚的大豆油为例

《Microbiology Resource Announcements》:Rapid prediction of lipid oxidation indicators based on Raman spectroscopy and attention neural networks——Taking soybean oil fortified with α-tocopherol as an example

【字体: 大 中 小 】 时间:2026年05月07日 来源:Microbiology Resource Announcements 0.6

编辑推荐:

  吴西俊|雷从玉|郑轩|杜天昊|张海鹰|田瑞玲中国秦皇岛燕山大学电气工程学院河北省测量技术与仪器化重点实验室,066004摘要为了研究α-生育酚对精炼大豆油氧化稳定性的调控作用,并建立一种快速的光谱方法来预测氧化指标,我们在60°C下进行了为期24天的加速氧化实验,使用了添加了不同

  
吴西俊|雷从玉|郑轩|杜天昊|张海鹰|田瑞玲
中国秦皇岛燕山大学电气工程学院河北省测量技术与仪器化重点实验室,066004

摘要

为了研究α-生育酚对精炼大豆油氧化稳定性的调控作用,并建立一种快速的光谱方法来预测氧化指标,我们在60°C下进行了为期24天的加速氧化实验,使用了添加了不同浓度(0.00%、0.03%、0.05%和0.07%)α-生育酚的精炼大豆油。定期测量过氧化值(PV)和酸值(AV),并收集拉曼光谱。基于光谱数据,开发了支持向量回归(SVR)、卷积神经网络(CNN)和注意力增强卷积神经网络(Attention-CNN)模型来预测PV和AV。结果表明,α-生育酚显著抑制了油的氧化,其中0.05%添加组的抑制效果最好,这体现在实验期间PV和AV的增加速率最低。在所有预测模型中,Attention-CNN模型的表现最佳,其决定系数(R2)分别为PV的0.9663和AV的0.9741,显著优于SVR和CNN模型。本研究证实了α-生育酚在模拟低温储存条件下的抗氧化效果,并证明了将拉曼光谱与Attention-CNN模型结合使用可以为油氧化的监测提供一种快速、准确且非破坏性的方法。

引言

食用油中的氧化酸败是影响其质量和保质期的关键因素。对于富含不饱和脂肪酸的油(如大豆油),氧化不仅会增加酸值(AV)和过氧化值(PV),影响风味,还可能产生有害物质,如挥发性脂肪酸、醛类、酮类和醇类[1],[2]。因此,抑制油氧化和实现快速的质量监测对食品工业来说至关重要。
添加抗氧化剂是延缓脂质氧化的有效方法。与存在安全问题的合成抗氧化剂[3],[4],[5]相比,天然抗氧化剂(如α-生育酚)因其高安全性和明确的抗氧化机制而受到广泛关注[6]。目前,关于α-生育酚在食用油中抗氧化效果的研究主要集中在单一浓度或短期评估上。系统研究在不同添加浓度下长期低温氧化过程中的动态效应的研究仍然有限[7]。传统的脂质氧化指标主要通过基于滴定的过氧化值(PV)和酸值(AV)测定来量化,但这些方法分析批次时间较长(通常每个批次需要数小时),且缺乏大规模样本筛查所需的高通量并行检测能力。这些传统方法需要繁琐的有机溶剂提取和复杂的化学衍生化步骤,这些步骤会不可逆地改变原始样本的形态和分子结构,导致样本无法重复使用。此外,它们消耗大量的样本——对于珍贵或有限的样本尤为成问题——并且严重依赖有毒、具有腐蚀性的控制试剂,给实验室人员带来安全隐患,并增加了试剂采购和废弃物处理的操作成本[8]。这些固有的局限性源于方法的基本设计,仅通过程序优化或参数调整无法根本解决。尽管电化学和荧光传感器作为一种有前景的替代方案出现——它们具有快速响应(通常在几分钟内)、紧凑便携的仪器以及对微量氧化产物的高灵敏度[9]——但它们仍面临阻碍广泛应用的关键实际瓶颈。这些瓶颈包括稳定性差、使用寿命短和易受基质干扰等问题,限制了它们在复杂食品系统中的实际应用。与单一指标传感器相比,本研究将拉曼光谱与深度学习相结合,实现了多个氧化标志物的同时快速识别和量化。液相色谱、红外光谱、荧光光谱和拉曼光谱是分析物质组成的常用方法[10],[11],[12]。其中,拉曼光谱由于具有快速、非破坏性和高度抗水干扰的优点,在油质分析中显示出潜力[14]。然而,现有的基于拉曼的光谱研究主要依赖于高温氧化条件(例如煎炸)下的数据来开发模型[15],[16],[17],使得这些模型难以直接应用于常规储存过程中的低温氧化。此外,传统的化学计量方法(如偏最小二乘回归(PLSR)在处理复杂氧化过程中产生的微弱、非线性光谱变化时表现出有限的特征提取和预测能力[18]。近年来,深度学习技术(尤其是卷积神经网络(CNN)作为一种深度学习模型出现。通过逐步从数据中提取局部特征并将其整合为全局信息,这些模型实现了目标识别或分析。CNN广泛应用于计算机视觉、医学图像分析、自然语言处理和光谱检测[19],[20],[21],[22],它通过多层非线性变换自动从数据中提取深度特征。引入注意力机制进一步增强了模型对关键光谱区域的关注能力[23],[24],[25]。这为建立高精度、稳健的油低温氧化光谱预测模型提供了新的见解。然而,迄今为止,尚无关于在大豆油低温氧化过程中应用注意力增强CNN模型进行快速PV和AV预测的研究报告。
总之,为了解决上述问题,本研究:(1)系统研究了在60°C加速氧化条件下,不同添加浓度(0.00%、0.03%、0.05%、0.07%)的α-生育酚对精炼大豆油PV和AV的动态影响,确定了其最佳添加量;(2)构建并比较了支持向量回归(SVR)、卷积神经网络(CNN)和注意力增强CNN模型,以建立适用于低温氧化场景的高精度基于拉曼光谱的预测模型。这使得能够快速、非破坏性地检测油氧化指标,为油质监测提供了新的技术解决方案。

章节片段

样品制备和加速氧化测试

实验中使用的精炼一级大豆油购自益海 Kerry Golden Dragon Fish Food Group Co., Ltd. α-生育酚(纯度≥96%,HPLC级)购自上海McLean Biochemical Technology Co., Ltd. 将α-生育酚精确称重后添加到预热至40°C的大豆油中。混合物在磁性搅拌器上以600 rpm的速度搅拌30分钟,以确保完全溶解和均匀分散。准备了250 mL含有α-生育酚的大豆油样品(基于…)

α-生育酚对大豆油氧化稳定性的影响

为了评估α-生育酚对精炼大豆油氧化稳定性的影响,监测了在60°C下加速氧化过程中AV和PV的变化。结果如图3所示,详细数值见补充材料的表S3和S4。
在24天的氧化期间,所有实验组的AV和PV都随时间呈上升趋势。然而,添加了α-生育酚的组显示出显著较慢的上升速率

结论

本研究系统研究了α-生育酚在60°C加速氧化条件下对精炼大豆油氧化稳定性的影响,并成功建立了基于拉曼光谱的快速氧化指标预测模型。在测试的0.03–0.07%浓度范围内,α-生育酚的最佳抗氧化浓度确定为0.05%。在该浓度下,油在24天内的PV和AV增加速率最低

CRediT作者贡献声明

吴西俊:撰写 —— 原稿撰写、验证、项目管理、资金获取、数据管理、概念构思。雷从玉:撰写 —— 审稿与编辑、原始稿撰写、软件开发、方法论、研究、数据分析、概念构思。郑轩:撰写 —— 审稿与编辑、可视化、数据分析。杜天昊:撰写 —— 审稿与编辑、可视化、数据分析。张海鹰:撰写 —— 审稿与编辑、方法论。田瑞玲:监督。

[32]

作者声明他们没有已知的可能会影响本文工作的财务利益或个人关系。

致谢

本研究得到了国家自然科学基金(授权号 62575251)和中央政府引导地方科技发展基金(授权号 236Z5501G)的支持。
相关新闻
生物通微信公众号
微信
新浪微博

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