利用人工神经网络优化的数据对罗伊氏乳杆菌(Lactobacillus reuteri)进行包封,并将其应用于马拉斯型(maras-type)冰淇淋的制作中

《Journal of Food Measurement and Characterization》:Encapsulation of Lactobacillus reuteri and Its application in maras-type ice cream using data optimized by artificial neural networks

【字体: 大 中 小 】 时间:2026年05月15日 来源:Journal of Food Measurement and Characterization 3.3

编辑推荐:

  摘要 在本研究的第一阶段,使用人工神经网络(ANN)模型预测了乳酸菌的包封效率(EE)。模型开发共使用了来自文献的144个数据集。ANN采用多层结构进行训练,并使用Levenberg–Marquardt(trainlm)反向传播算法,同时应用遗传算法(GA)来优化模型性能。在

  摘要
在本研究的第一阶段,使用人工神经网络(ANN)模型预测了乳酸菌的包封效率(EE)。模型开发共使用了来自文献的144个数据集。ANN采用多层结构进行训练,并使用Levenberg–Marquardt(trainlm)反向传播算法,同时应用遗传算法(GA)来优化模型性能。在模型中,乳酸菌菌株、包覆材料和包封方法被定义为输入变量,而包封效率、加工应力和储存稳定性被定义为输出变量。数据集被分为训练集(70%)、验证集(15%)和测试集(15%)。模型的验证系数为0.90066,表明其预测可靠性很高。在第二阶段,通过ANN模型确定了最佳条件为Reuteri乳酸菌、2.5%的海藻酸盐和乳化包封方法。在这些条件下,包封效率达到了91.44%。为了评估加工耐受性,将未包封(L)和包封(E)的益生菌分别加入冰淇淋中。未包封益生菌的后期存活率为86.5%,包封益生菌的存活率为96.32%,两者之间存在统计学上的显著差异(p<.05)。冰淇淋样品储存了90天,并在整个储存期间监测了益生菌的存活情况。储存结束后,所有样品中的益生菌含量均保持在10^6 CFU/g以上,尽管E组和L组之间存在显著差异(p<.05)。此外,益生菌的添加并未对感官特性产生不利影响,整体接受度也没有显著差异(p>.05)。

图解摘要
在本研究的第一阶段,使用人工神经网络(ANN)模型预测了乳酸菌的包封效率(EE)。模型开发共使用了来自文献的144个数据集。ANN采用多层结构进行训练,并使用Levenberg–Marquardt(trainlm)反向传播算法,同时应用遗传算法(GA)来优化模型性能。在模型中,乳酸菌菌株、包覆材料和包封方法被定义为输入变量,而包封效率、加工应力和储存稳定性被定义为输出变量。数据集被分为训练集(70%)、验证集(15%)和测试集(15%)。模型的验证系数为0.90066,表明其预测可靠性很高。在第二阶段,通过ANN模型确定了最佳条件为Reuteri乳酸菌、2.5%的海藻酸盐和乳化包封方法。在这些条件下,包封效率达到了91.44%。为了评估加工耐受性,将未包封(L)和包封(E)的益生菌分别加入冰淇淋中。未包封益生菌的后期存活率为86.5%,包封益生菌的存活率为96.32%,两者之间存在统计学上的显著差异(p<.05)。冰淇淋样品储存了90天,并在整个储存期间监测了益生菌的存活情况。储存结束后,所有样品中的益生菌含量均保持在10^6 CFU/g以上,尽管E组和L组之间存在显著差异(p<.05)。此外,益生菌的添加并未对感官特性产生不利影响,整体接受度也没有显著差异(p>.05)。

引言
随着人们对健康饮食意识的提高,人们现在期望食品不仅能满足基本需求,还能提供多种健康益处。这导致了对益生菌食品的需求不断增长,因为益生菌因其功能性而受到认可[1, 2]。益生菌是活的微生物,当摄入适量时对人体健康有益[3]。它们可以保护肠道微生物群免受病原体侵害,具有抗癌特性,并增强免疫系统。此外,益生菌还有助于降低血清胆固醇水平和血压。这些特性意味着益生菌可以提高营养素的生物利用度,从而增加食品的营养价值[4, 5]。要被视为益生菌,微生物必须能够定植于肠道,耐受胃酸和胆汁酸,在肠道中保持活力和代谢活性,同时是非致病性和无毒的,并对宿主有益。此外,益生菌不应对其所添加食品的感官特性产生负面影响[6]。最常见的益生菌是乳酸菌和双歧杆菌。为了获得预期的健康益处,益生菌的摄入浓度至少应为每克食品10^6–10^7个菌落形成单位(CFU)。在益生菌食品的生产过程中,保持益生菌的活力是一个关键考虑因素[7]。然而,由于各种加工条件和胃肠道环境的影响,益生菌可能会失去活力。已经研究了多种策略来在不利条件下(如pH值波动、加工、温度和氧气暴露)保持其活力。包封是在活性化合物周围形成保护层的过程,以防止化学反应并使其免受温度、pH值、酶和氧气等环境因素的影响。在食品工业中,包封可以保护物质免受热、湿气和加工不良影响,同时增强其功能性并延长保质期。它还能保持功能性,掩盖不良风味和气味,扩大应用范围,并允许精确控制剂量[8,9,10]。选择合适的包覆材料(胶囊)对于成功的包封至关重要。在选择包覆材料时,需要考虑核心材料的溶解性、物理状态(液态或固态)、与溶剂和壁材料的相互作用、核心物质的反应性、颗粒大小、所使用的包封方法以及核心物质从微胶囊中的释放特性[11]。除了提高益生菌对加工条件的耐受性和延长其保质期外,包封还能提高它们在消化系统中的存活率,确保它们在保持活力的同时到达肠道[12]。

人工神经网络(ANN)是基于计算机的系统,模仿人脑的工作原理。通过复制大脑的学习机制,ANN能够执行学习、回忆、泛化以及根据收集的信息生成新数据等基本功能[13, 14]。最近,由于ANN能够考虑独立变量之间的相互作用,并用较少的实验次数预测结果,因此比传统方法受到了更多关注[15, 16]。此前已经进行了多项使用ANN的包封研究[15,16,17]。Tao等人[16]使用ANN和GA来确定包封蓝莓花青素提取物的不同壁材料的最佳比例。研究结果表明,结合使用ANN和GA可能是未来研究的一个有前景的方法。研究人员还指出,即使数据集有限,也能取得积极的结果。Espinosa-Sandoval等人[17]使用ANN模型进行多种用途的研究,例如预测颗粒大小、确定多分散指数和计算纳米系统中酚类化合物的包封效率。他们在研究结束时报告了使用ANN估计包封效率的显著结果。

本研究的目的是通过在加工过程中加入包封的益生菌来生产Maras型冰淇淋,以提高其在加工和储存过程中的耐受性。为此,使用MATLAB 2024a软件包将文献综述中收集的数据标准化到-1到1的范围内。然后使用这些标准化数据来训练ANN。为了优化ANN,应用了启发式优化方法之一——遗传算法(GA)。通过实验室实验分析了ANN-GA训练获得的数据。在ANN模型中,乳酸菌菌株、包覆材料和包封方法被设置为输入层,输出层设置为包封效率、冰淇淋生产过程中的加工应力和储存稳定性。本研究不同于以往的研究,因为它还包括了加工应力和储存稳定性,使得ANN可以使用更广泛的数据集进行训练。在ANN训练之后,使用2.5%的海藻酸盐和乳化技术对Reuteri乳酸菌进行了包封。

材料与方法
本研究选择的模型食品是Maras型冰淇淋,该冰淇淋在实验室环境中使用标准原材料生产。

人工神经网络的训练(计算包封效率和其他特性)
本研究中使用的ANN是在MATLAB 2024a中开发的。ANN训练采用了具有Sigmoid隐藏神经元和线性输出神经元的两层前馈网络(fitnet)。使用了Levenberg-Marquardt反向传播算法(trainlm)和Sigmoid对称传递函数tansig(公式1)。ANN的性能基于均方误差(MSE)(公式2)和回归系数(R2)(公式3)进行评估。
$$\mathrm{Tansig}\;\mathrm{Function}\;=\;2\:\times\:\left(\frac{x-xmin}{xmax-xmin\:}\right)-1$$ (1)
$$\mathrm{Mean}\;\mathrm{Squared}\;\mathrm{Error}\;(\mathrm{MSE})\;=\:\frac1n\sum\:_{i=1}^n(yi-\overset'yi)^2$$ (2)
$$\mathrm{Regresyon}\;(\mathrm R2)\;=\:1-\frac{\sum\:(yi-{\displaystyle\overset'y}i)^2}{\sum\:\left(yi-{\displaystyle\overset'y}a\right)^2}$$ (3)

X:自变量。
xmin:输入数据中的最小值。
xmax:输入数据中的最大值。
yi:观测值。
yi:预测值。
ya:观测值的平均值。

为了构建ANN的输入层和输出层,并将富含益生菌的Maras型冰淇淋与现有研究进行比较,收集了关于益生菌冰淇淋的先前研究数据。根据文献综述,选择了以下参数:益生菌微生物;包封方法;包覆材料;包封效率;加工应力;以及储存稳定性。输入变量是益生菌微生物、包封方法和包覆材料,输出变量是包封效率、加工应力和储存稳定性。众所周知,对ANN的输入和输出应用特定的预处理步骤可以提高训练过程的效率。因此,在将数据输入MATLAB之前,使用公式A中的tansig方程进行了标准化处理。此外,益生菌细菌、包覆材料和包封方法被视为分类变量。

为了验证ANN-GA模型的准确性,将富含益生菌的Maras型冰淇淋获得的加工应力和储存稳定性数据与模型预测的值进行了比较。

图1展示了使用MATLAB 2024a开发的ANN模型。该ANN在输入层有三个输入参数,在隐藏层有六个神经元,在输出层有三个输出参数。

人工神经网络模型的结构
ANN的训练使用了Levenberg-Marquardt(trainlm)方法和多层反向传播算法。共使用了144个数据点,其中70%(100个点)用于训练,15%(22个点)用于验证,15%(22个点)用于测试。遗传算法(GA)被用于数据优化,因为它能有效识别最优数据点。为了获得最佳结果,ANN-GA训练重复进行了多次。

本研究使用了包含14种益生菌菌株、43种包覆材料和六种包封方法的多样化数据集。为了便于ANN处理输入数据,使用标签编码方法将分类变量(益生菌菌株、包覆材料和包封技术)转换为数值格式。众所周知,由于某些参数组合的稀有性,很难在文献来源的数据集中实现完全均匀的分布。为了解决这个问题并减少潜在偏差,在训练之前,所有输入和输出数据都被标准化到[-1, 0, 1]的范围内,使用公式A中描述的转换方法。用于ANN训练的完整数据集见补充信息(SI)-3。

样品制备和益生菌微生物的包封
使用Güler和Turgay[18]描述的方法恢复了培养物。根据?elik & Turgay[19]描述的方法,应用了乳化技术——根据ANN结果确定为最佳包封方法。

包封效率的计算
包封效率的计算使用了?elik和Turgay[19]描述的方法。在计算包封效率时,考虑到直接使用对数比率可能导致由于对数值的非线性而产生的不准确结果。因此,使用实际CFU值计算EE%,如公式4所示,以确保数学准确性。
$$\mathrm{Encapsulation}\;\mathrm{Efficiency}\;=\:\frac{10No}{10N1}\times\:100$$ (4)
10N0:包封前的活菌计数(CFU/mL)。
10N1:包封后的活菌计数(CFU/mL)。

含有包封益生菌的冰淇淋生产
为了生产Maras型冰淇淋,使用了牛奶、糖、salep、脂肪、奶粉、稳定剂和乳化剂。冰淇淋的制作方法参考了??nar & ?elik[20]的描述,但进行了一些修改。在这种配方中,山羊奶与牛奶的比例调整为3:7。马拉什型冰淇淋的成分在SI-4中有所介绍。在制作马拉什型冰淇淋的过程中,混合了4200升牛奶和1800升山羊奶,并将混合物加热至40摄氏度。随后,加入1110克糖、150克奶粉、15克乳化剂和45克萨莱普(一种天然增稠剂),并在40摄氏度的温度下逐渐将其加入牛奶中。当温度升至60摄氏度时,再加入480克奶油。然后将混合物在85摄氏度下进行热处理五分钟。热处理完成后,混合物冷却至20摄氏度,并在4摄氏度下陈化24小时。之后,向混合物中加入20克包封的益生菌。最后,将混合物放入德龙吉(DeLonghi)Gelato II冰淇淋机中进行生产。所得冰淇淋样品分为三类:含有包封益生菌的冰淇淋标记为E,含有非包封益生菌的冰淇淋标记为L,不含益生菌的冰淇淋标记为对照组。

为了确定包封微生物在加入冰淇淋过程中是否失去活性,我们在添加前后分别测量了它们的存活率。首先,在将微生物加入冰淇淋混合物之前对其活性进行了评估。冰淇淋生产完成后,使用公式5计算了最终产品中益生菌的存活率。为了评估包封过程对微生物抵抗加工压力的保护效果,分别使用包封和非包封的益生菌进行了冰淇淋生产。所有结果均使用SPSS 22软件包进行了统计分析。

**加工压力(%)= (ps/pa) × 100** (公式5)
其中:
ps:加工后冰淇淋中的益生菌含量(克);
pa:加工前加入冰淇淋中的益生菌含量(克)。

**溢出率**
溢出率表示为冰淇淋混合物重量与最终冰淇淋重量(体积相同)的百分比[21]。该值使用公式6计算:
**溢出率(%)= (ma - da) / da × 100**
其中:
ma:冰淇淋混合物重量;
da:最终冰淇淋重量。

**首次滴落时间和完全融化时间**
首次滴落时间和完全融化时间使用Gülboy [22]描述的方法测定。此外,还使用公式7计算了30分钟和45分钟时的融化比例:
**融化比例(%)= (ea/db) × 100**
其中:
ea:融化部分的重量;
db:冰淇淋的重量。

**粘度分析**
采用[23]中描述的改进方法进行了粘度分析。使用配备63号旋转头的Brookfield DV-III超编程流变仪,在50转/分钟和100转/分钟的速度下测量冰淇淋混合物的粘度。所得数值以厘泊(cP)为单位记录。

**干物质含量(%)**
干物质含量使用重量法[24]及相关公式计算:
**干物质含量(%)= (m2 - m3) / (m2 - m1) × 100**
其中:
m1:空干燥皿和盖子的重量(克);
m2:干燥前皿、盖子和样品的重量(克);
m3:干燥后皿、盖子和样品的重量(克)。

**灰分含量(%)**
灰分含量使用AOAC方法[24]进行分析。

**可滴定酸度(%)的测定**
可滴定酸度使用AOAC方法[24]测定,并使用公式9计算百分比:
**可滴定酸度(%)= V × N × 0.9 × 100 / Gs**
其中:
V:使用的0.1 N NaOH体积(毫升);
N:滴定中使用的NaOH溶液的当量浓度;
Gs:样品重量(克)。

**脂肪含量测定**
脂肪含量使用Gerber方法[25]进行分析。

**蛋白质含量测定**
冰淇淋样品的蛋白质含量使用凯氏定氮法[26]进行分析。然后使用公式10计算蛋白质百分比:
**蛋白质含量(%)= 0.14 × (V1 - V2) / m × 6.38**
其中:
V1:滴定中使用的HCl溶液体积(毫升);
V2:空白滴定中使用的HCl溶液体积(毫升);
m:样品重量(克)。

**pH值分析**
冰淇淋样品的pH值在室温下使用便携式Eutech CyberScan pH 300 pH计进行测量,测量前先进行校准[21]。

**稳定性测试**
为了评估益生菌在储存过程中的存活情况,根据参考文献[27]中的方法,将马拉什型冰淇淋样品在-20摄氏度下储存90天。在整个储存期间,每30天监测一次益生菌的存活情况。使用MRS琼脂检测样品中是否含有罗伊氏乳杆菌(Lactobacillus reuteri)。接种后的平板在37±1摄氏度下培养两天,然后进行菌落计数。总嗜温需氧菌(TMAB)以及总酵母和霉菌的数量分别使用平板计数琼脂(PCA)和马铃薯葡萄糖琼脂(PDA)进行测定。对于TMAB的计数,接种后的平板在37摄氏度下培养1-2天后再进行计数;对于酵母和霉菌的计数,平板在25±1摄氏度下培养六天[28]。

**感官分析**
进行了感官分析,以观察和评估富含益生菌的马拉什型冰淇淋样品的任何感官变化。该方法基于?al??kan [7]描述的方法。评估由十名未经培训的品鉴员使用愉悦度量表进行。感官分析数据使用非参数Kruskal-Wallis检验进行统计分析。

**扫描电子显微镜成像**
使用扫描电子显微镜(Zeiss EVO LS10)在高压真空条件下对微胶囊进行形态学观察,加速电压为15 kV。分析前,将包封样品安装在SEM设备上并涂覆一层金钯层。对每种包封材料获得了特征性的SEM图像。通过每个样品测量五次来确定胶囊直径[29]。

**统计分析**
本研究的所有生产和分析步骤至少设置了三个平行重复实验。结果以平均值±标准差的形式呈现。数据使用SPSS 22v软件在95%的显著性水平下进行分析。组间显著差异通过单因素方差分析(ANOVA)确定,随后进行Tukey多重比较检验。

**人工神经网络训练(益生菌微生物的选择、包覆材料和包封方法)**
经过ANN训练后,验证相关系数为0.90。该值表明ANN训练中使用的数据与训练过程中获得的预测数据之间存在90%的线性关系。此外,还确定了ANN-GA训练得到的训练和测试相关系数,其图表显示在图2中。

**训练数据、验证数据和测试数据,以及显示所有数据的图表**
验证图表显示了准确率与训练迭代次数的关系,而训练图表展示了训练模型在训练数据集上的表现。测试图表展示了实际输出值与预测输出值之间的相似性。训练期间获得的相关系数分别为R=0.91、验证期间R=0.90、测试期间R=0.88。所有用于训练过程的数据的相关系数为0.90,表明通过ANN-GA训练获得的数据非常可靠。

**Spinoza-Sandoval等人[17]进行了一项研究,他们使用ANN预测了使用超声技术制备的纳米系统中纳米胶囊化酚类化合物(PCs)的粒径(PS)、多分散指数(PDI)和包封效率(EE)。该研究结果表明,ANN是预测纳米系统中粒径和包封效率的有效工具,同时考虑了所有独立变量的影响。**

随着ANN训练过程的进行,网络性能得到提升,训练数据的MSE(均方误差)降低。当训练数据在测试数据集上表现良好时,测试数据的MSE也会相应降低。验证数据集在训练过程中不使用,而是作为独立数据集来评估网络的性能。验证集中MSE值的降低表明整体模型性能有所提高,最佳点由最佳值表示[30]。在本研究中,ANN训练过程中的误差值逐渐减小(图3)。图3显示了与迭代次数对应的ANN MSE值。

**平均平方误差和迭代次数的性能图表**
ANN训练的目标参数为:罗伊氏乳杆菌(L. reuteri)作为益生菌;2.5%的海藻酸盐作为包覆材料;乳化技术作为包封方法。使用训练好的ANN,可以以最少的实验室工作量选择材料,这对研究的第一阶段目标做出了重要贡献。最初的目标是获得三个最优结果。然而,随着验证过程的进行,ANN-GA模型始终产生相同的最优结果,该结果随后被用于进一步实验。

**包封效率的计算**
益生菌在包封过程中可能会经历一定程度的活性损失。最小化这种损失是成功包封的关键标准之一。使用2.5%海藻酸盐通过乳化技术包封的罗伊氏乳杆菌的包封效率使用公式4计算得出。包封前的活菌数为8.9 log CFU g?1,包封后的活菌数为8.1 log CFU g?1,包封效率为91.44%。文献中的研究表明,海藻酸盐对乳杆菌属(Lactobacillus spp)的包封有积极作用[31, 32]。de Farias等人[33]研究了使用海藻酸盐通过挤出法包封乳杆菌属的研究,包封效率分别为73.8%和79.5%。相比之下,乳化方法似乎更有效地包封乳杆菌属。类似地,先前的研究也研究了使用乳化技术包封罗伊氏乳杆菌,报告的包封效率超过90%[28, 34]。然而,Jezniene等人[35]使用基于海藻酸盐的包覆材料和冷冻干燥法包封了植物乳杆菌(L. plantarum)和罗伊氏乳杆菌(L. reuteri),发现包封效率分别为92%至100%和94%至100%。这表明基于海藻酸盐的包覆材料在冷冻干燥过程中提供了良好的保护作用,这可能是由于冷冻干燥方法或海藻酸盐与其他包覆材料的结合。

**含有包封益生菌的冰淇淋生产**
冰淇淋混合物的制备基于SI-4中给出的马拉什型冰淇淋成分,总共使用了六升牛奶。成熟过程后,将包封和非包封的益生菌加入冰淇淋混合物中。成熟后,混合物被分成三等份:一份作为对照样品,两份分别含有非包封和包封的益生菌。这些冰淇淋样品使用德龙吉Gelatoio冰淇淋机制作。

**加工压力**
发现包封和非包封的益生菌在冰淇淋样品中的加工耐受性分别为96.32%和86.5%,两者之间存在统计学上的显著差异(p<.05)。观察发现包封过程提高了益生菌的存活率。类似地,先前的关于益生菌冰淇淋的研究也报告称,使用海藻酸盐包覆材料的益生菌的加工耐受性在90%至95%之间[36,37,38,39]。非包封微生物的较低存活率可能是由于它们无法承受制作冰淇淋过程中的冷冻和混合步骤。Sezer[40]进行了一项研究,研究了不含包封的含有鼠李糖乳杆菌(L. rhamnosus)的冰淇淋。不同配方的冰淇淋的加工耐受性在87%至93%之间。研究结果表明,直接加入冰淇淋中的益生菌耐受性较低。相比之下,加入小麦纤维或菊粉的益生菌表现出更好的耐受性。这种改善被认为是由于益生元的协同作用增强了益生菌的存活率。

**冰淇淋生产后的分析**
生产后的样品从干物质含量、灰分含量、蛋白质含量和可滴定酸度等方面进行了分析,所有结果均以百分比表示。这些分析的结果见表1。

**溢出率和pH值**
使用公式E计算了冰淇淋样品的溢出率。对照冰淇淋、富含益生菌的冰淇淋以及含有包封益生菌的冰淇淋的溢出率和pH值分别显示在表1中。对照样品与其他两种冰淇淋样品之间的溢出率存在显著差异(p<.05)。高质量冰淇淋的溢出率预计在15%至50%之间[41]。研究还发现,配方中使用的稳定剂增加了冰淇淋的膨胀值(overrun),降低了熔化速率,并延长了首次滴落所需的时间。对照组的膨胀值为31%,而含有非包封和包封益生菌的冰淇淋样本的膨胀值分别为39%至40%(p>0.05)。[42]的一项研究发现,含有嗜酸乳杆菌(L. acidophilus)的冰淇淋样本的膨胀值在30%至32.93%之间。同样,[43]的报告指出,含有嗜酸乳杆菌的益生菌冰淇淋的膨胀值在25.55%至30.6%之间。这些结果表明,添加益生菌对冰淇淋的膨胀值有积极影响。先前关于马拉斯型冰淇淋(Maras-type ice cream)的研究也报告了30%至40%的膨胀值。[44, 45]冰淇淋样本的pH值在6.6至6.41之间(p>0.05),这表明益生菌的存在并未影响冰淇淋的pH值。这些数值与之前的冰淇淋研究结果一致。[22, 46, 47, 48]。

冰淇淋的初次熔化和完全熔化时间是影响其质量、消费者偏好、运输和储存的重要参数。表1展示了冰淇淋样本的初次熔化和完全熔化时间(以秒为单位),以及它们在30分钟和45分钟时的熔化速率。对照组冰淇淋、含有非包封益生菌的冰淇淋和含有包封益生菌的冰淇淋的初次熔化时间分别为1,625.5±0.71秒、1,637.5±0.71秒和1,656.5±0.71秒。完全熔化时间分别为3,780.5±0.71秒、3,804.5±0.71秒和3,807.5±0.71秒。从初始熔化阶段到完全熔化阶段,冰淇淋样本的熔化时间存在统计学上的显著差异。这表明添加益生菌会影响熔化时间。无论是自由形式的还是包封形式的益生菌,都显著增加了冰淇淋样本的初次熔化和总熔化时间(p<0.05)。30分钟时的熔化速率分别为39.05±0.06秒、39.75±0.06秒和39.95±0.06秒。?en等人(2018年)也报告称,30分钟后冰淇淋样本的熔化速率在20%至40%之间。该研究得出结论,冰淇淋的熔化速率取决于干物质含量、膨胀值和稳定剂的使用。本研究观察到对照组冰淇淋和含有益生菌的冰淇淋在30分钟时的熔化速率存在显著差异(p<0.05)。据认为,这种差异是由于含有益生菌的冰淇淋干物质含量高于对照组样本所致。

Mehmeto?lu [21]研究了蜂胶作为冰淇淋功能性食品成分的用途。研究发现,冰淇淋样本的熔化速率在63.96%至68.60%之间。这种差异归因于含有蜂胶的样本干物质含量较高。

冰淇淋混合物的一个主要特性是其粘度,即其对流动的抵抗能力。冰淇淋混合物的粘度是在室温(25°C)下使用63号搅拌器以50和100转/分钟的速度测量的。由于测量是从混合物中进行的,因此仅使用了一个批次并进行了三次平行实验来确定粘度值。分析得到的粘度值见SI-5。这些结果与之前的研究结果一致。[23]对益生菌冰淇淋进行了研究。在这项研究中,使用63号搅拌器以60转/分钟的速度测量了冰淇淋混合物的粘度,得到的粘度值在153 cP至316 cP之间。Hayayumi-Valdivia等人[49]使用海藻酸盐对微生物进行了包封,并将包封的益生菌以不同的芒果纤维比例加入冰淇淋中,以检验它们对冰淇淋性质的影响。冰淇淋样本的粘度在4°C下使用2号搅拌器测量,粘度值在223 cP至1492 cP之间。研究表明,添加包封的益生菌并未显著影响冰淇淋的粘度。然而,随着芒果纤维量的增加,粘度也增加了。这种增加归因于配方中干物质含量的提高。

对照组冰淇淋和含有非包封益生菌的冰淇淋之间的干物质含量(%)和灰分含量(%)没有显著差异(p>0.05)。然而,含有包封益生菌的冰淇淋与其他两个样本之间存在显著差异(p<0.05)。这表明包封材料影响了干物质含量。对照组冰淇淋、含有非包封益生菌的冰淇淋和含有包封益生菌的冰淇淋的干物质含量分别为32.73%、32.86%和33.25%。这些数值符合土耳其食品法典冰淇淋法规[50]的规定。类似地,[51]的研究发现,益生菌冰淇淋样本的干物质含量在33.38%至33.49%之间。灰分分析代表了冰淇淋中的总矿物质含量。冰淇淋样本的灰分含量见表1,范围在0.62%至0.73%之间,样本之间没有显著差异(p>0.05)。先前的冰淇淋研究报道灰分含量在0.36%至1.2%之间[41, 52, 53, 54]。因此,可以得出结论,添加益生菌对灰分含量没有负面影响。冰淇淋的灰分含量受其干物质含量的影响。

一项关于益生菌冰淇淋的研究发现,样本的干物质含量在37.50%至38.56%之间,而灰分含量在1.27%至1.29%之间[55]。同样,K?l?n?和?evik [56]发现,益生菌冰淇淋样本的干物质含量在42.21%至47.31%之间,灰分含量在1.18%至1.33%之间。可滴定酸度(%)以乳酸表示,对照组冰淇淋、含有非包封益生菌的冰淇淋和含有包封益生菌的冰淇淋的可滴定酸度分别为0.16%±0.01%、0.18%±0.03%和0.19%±0.03%(p>0.05)。K?l?n? [47]对益生菌冰淇淋进行了研究,并报告称样本的可滴定酸度在0.21%至0.26%之间。Arnak [57]也发现冰淇淋样本的可滴定酸度在0.21%至0.25%之间。这些发现表明,益生菌对冰淇淋样本的可滴定酸度没有显著影响(p>0.05)。然而,Ayhan和Karag?z [23]研究了不同牛奶成分制成的益生菌冰淇淋:100%牛奶、50:50的牛奶和山羊奶混合物以及100%山羊奶。研究发现,可滴定酸度值在0.45%至0.68%之间。研究人员得出结论,益生菌对可滴定酸度没有显著影响,但山羊奶增加了酸度。这种效应归因于山羊奶天然较高的酸度。

冰淇淋样本的蛋白质含量在2.89%至3.00%±0.35%之间(p>0.05)。先前的冰淇淋研究报道蛋白质含量在3.05%至3.89%之间[27, 47, 58, 59]。这些结果表明,益生菌对冰淇淋的蛋白质含量没有显著影响。与可滴定酸度的结果类似,冰淇淋样本之间的脂肪含量也没有显著差异(p>0.05)。在这项研究中,所有三个样本的脂肪含量约为5.93%,符合土耳其食品法典对低脂冰淇淋的规定[50]。类似地,一项关于富含益生菌的冰淇淋的研究报告脂肪含量在5.5%至6.2%之间[46, 53]。Ta?ba?? [60]的研究调查了胡萝卜泥对益生菌冰淇淋的影响。结果显示,将胡萝卜泥和益生菌加入冰淇淋显著降低了其脂肪含量。虽然益生菌对蛋白质含量没有显著影响,但胡萝卜泥显著影响了蛋白质水平。这归因于胡萝卜泥在总混合物中的比例较大且脂肪含量较低。

生产后,冰淇淋样本在-20°C下储存了90天。在储存期间的第0天、第30天、第60天和第90天进行了微生物分析。这些分析的结果见表2。在整个储存期间,观察到包封和非包封益生菌的存活率存在显著差异(p<0.05)。在储存的第30天和第60天,非包封微生物的分析中检测到显著的对数下降(p<0.05)。尽管如此,在90天储存期结束时,L. reuteri的存活计数仍为6.02 log CFU/g,从而保持了其益生菌特性。含有包封益生菌的冰淇淋样本在储存月份内的存活率没有显著差异(p>0.05)。储存期结束时,包封的L. reuteri的存活计数为7.72 log CFU/g。这些结果表明,包封技术提高了食品中益生菌的储存稳定性。90天后,包封冰淇淋中的91.58%的益生菌仍然具有活性。

Zaeim等人[38]使用电水动力双层方法(electrohydrodynamic dual-layer method)和海藻酸盐及壳聚糖对L. plantarum进行了包封,并在包封过程中加入了益生元。然后将包封的益生菌加入冰淇淋中,冰淇淋在-18°C下储存了90天。研究结束时,益生菌的存活率为98%。与本研究相比,前述研究中观察到的更高存活率可能是由于双层包封材料的更好保护作用以及益生元的积极影响。Sedefo?lu等人[27]研究了含有嗜酸乳杆菌(L. acidophilus)的冰淇淋样本。益生菌以两种形式加入样本:包封和非包封。然后样本在-20°C下储存了90天。储存期结束时,观察到含有包封或非包封益生菌的冰淇淋样本之间的益生菌存活率存在显著差异(p<0.05)。包封的益生菌的存活率保留率约为89%。同样,Zeashan等人[39]研究了含有L. plantarum的益生菌冰淇淋。储存100天后,观察到包封和非包封益生菌的存活率存在显著差异(p<0.05)。包封微生物的存活率保留率为90%。在整个储存期间,冰淇淋样本中的酵母和霉菌计数存在显著差异(p<0.05)。食品中存在酵母和霉菌是不希望的,因为它们的存在表明卫生条件差、巴氏杀菌不完全或加工后受到污染。据认为,冰淇淋样本中的酵母和霉菌来源于生产环境。然而,检测到的水平不会构成潜在的健康风险,也没有超过土耳其食品法典微生物标准法规[61]规定的限值。El-Shora等人[62]指出,在各种酵母和霉菌种类的研究中观察到的类似微生物负荷可以在生物技术过程中安全管理。同样,Ayar等人[63]对富含益生菌的冰淇淋的研究报告称,酵母和霉菌计数在1-4对数阶段范围内。在本研究中,这一范围为1.93-4.2对数阶段。

冰淇淋中的总微生物活性(TMAB计数)通常受生产和储存期间卫生操作的影响。初始冰淇淋样本之间的TMAB计数存在显著差异(p<0.05)。富含益生菌的样本中的TMAB计数显著高于对照组样本。富含益生菌的样本中较高的TMAB计数是由于含有Lactobacillus reuteri。由于益生菌是活的微生物,因此在总需氧计数测试中可以检测到它们。El-Shora等人[64]的先前研究表明,在生物过程中添加目标微生物或其代谢物会增加总微生物负荷。据认为,这种增加是由于在冰淇淋样本中添加了L. reuteri。在整个90天的储存期间,样本中的TMAB计数在3.24至4.35 log CFU/g之间。这些水平始终低于《土耳其食品法典微生物标准条例》[61]中规定的阈值。先前关于冰淇淋的研究也报告了类似的TMAB水平,范围在2.67到4.96 log CFU/g之间(表2)[65, 66]。

**感官分析**
对冰淇淋样本的感官分析表明,添加益生菌微生物并未显著影响冰淇淋的感官特性或消费者的整体偏好。根据感官分析结果,关于冰淇淋样本的整体接受度和其他属性的发现如图4所示。

**图4**
(此图像的替代文本可能是使用AI生成的。)

**感官分析结果**
*K:对照组;L:含有非包封益生菌的冰淇淋;E:含有包封益生菌的冰淇淋**
对感官分析数据的统计比较显示,除了硬度和粗糙度外,冰淇淋样本的感官特性没有显著差异(p>0.05)。这表明添加益生菌并未对整体偏好产生负面影响,也未引起感官质量的明显变化。在味道、香气或口腔中的融化性方面,添加了益生菌的冰淇淋样本与对照组冰淇淋之间也没有显著差异(p>0.05)。先前的研究也报告了类似的结果,即益生菌微生物不会改变味道、香气或融化性,也不会对消费者的感知产生负面影响[23, 67]。

对照组冰淇淋与含有非包封或包封益生菌的冰淇淋之间的硬度值存在显著差异(p<0.05)。在感官分析中,硬度是通过用舌头将冰淇淋压在上颚时所施加的力来评估的,硬度与这种力成正比[68]。
含有益生菌的冰淇淋样本的硬度低于对照组样本,这表明添加益生菌可以降低冰淇淋的硬度。同样,Sedefo?lu等人[27]研究了将包封和非包封的L. acidophilus添加到冰淇淋中的效果,得出结论认为益生菌微生物会影响冰淇淋的质地。

在感官特性中,颜色起着关键作用,因为它决定了产品的初步印象。冰淇淋样本的颜色没有显著差异(p>0.05),表明益生菌微生物并未对最终产品的颜色产生负面影响。这一发现与Ayhan和Karag?z[23]的研究结果一致,他们也报告称益生菌不会影响冰淇淋的颜色。

冰淇淋的顺滑度是根据其在口腔中扩散的容易程度来评估的。顺滑的冰淇淋在口腔中分布均匀,产生柔软、奶油般的口感。相比之下,粗糙质地的冰淇淋会感觉粗糙且有颗粒感,这通常是不受欢迎的[69]。
在本研究中,粗糙度评分采用1到9的评分标准,分数越高表示粗糙度越大。对照组(K)、非包封益生菌(L)和包封益生菌(E)冰淇淋样本的粗糙度评分分别为5.8、6.0和6.1。对照组冰淇淋与添加了益生菌的冰淇淋样本之间的粗糙度存在显著差异(p<0.05),这表明粗糙度的增加受到了添加益生菌微生物的影响。

尽管添加益生菌微生物和包封材料提高了冰淇淋样本的粗糙度评分,但这并未影响其整体接受度。这表明质地的变化未超出消费者对质量缺陷的感知阈值,产品的功能性得到了提升,同时保持了其感官吸引力。

冰淇淋样本的整体接受度没有显著差异(p>0.05)。这表明益生菌冰淇淋受到消费者的欢迎,有望在商业生产中取得成功。本研究中冰淇淋样本的整体偏好评分与先前研究中各种类型冰淇淋的评分一致[41, 57, 63, 67]。

**扫描电子显微镜(SEM)成像**
图5展示了胶囊的远距离和放大视图。对包封微生物的SEM图像进行总体评估后发现,这些胶囊体积小且形状不规则。通过SEM成像测得的胶囊直径为190.05±26.8 μm。

**图5**
(此图像的替代文本可能是使用AI生成的。)

**全尺寸图像**

**Tween 80**被优选作为乳化剂,因为它可以降低两种不相溶相之间的界面张力,从而实现更好的均质化并促进更小胶囊的形成[70]。
在Ding等人的研究[71]中,使用乳化方法对L. reuteri进行了包封。通过扫描电子显微镜(SEM)分析了这些包封的益生菌微生物,结果与本研究的结果一致。

研究表明,人工神经网络(ANN)在工程应用中得到了广泛应用,但其在食品工程中的应用仍是一个相对较新的领域。ANN能够有效解决传统方法难以解决的工程问题,提供不同的视角和高效的工作模型。
本研究的目标之一是将ANN与食品工程相结合,以探索新的研究方向。食品工程领域的实验室研究往往耗时且具有实验性,导致时间、成本和能源的显著损失。使用ANN可以消除试错方法,缩短流程,减少经济损失并提高能源效率。

在本研究中,使用先前研究的数据训练了一个ANN,并通过遗传算法(GA)进行了优化。然后在该实验室环境中测试了从训练网络获得的估计数据,以验证其性能。结果表明,ANN可以在实验室研究中有效应用,显著减少分析时间。

通过ANN-GA训练,使用2.5%的藻酸盐对L. reuteri进行了包封,以提高其对抗加工条件的能力。添加益生菌对Maras型冰淇淋的物理化学或感官特性没有显著影响,但发现它可以降低冰淇淋的硬度。

ANN在包封技术中的有效性通过其成功模拟包封效率、工艺抗性和储存稳定性得到了证明。高建模精度表明ANN可以应用于类似的研究。然而,由于相关文献有限,需要进一步的研究。因此,需要更多关于食品工程中ANN训练的研究来扩展现有文献。
在该领域使用ANN可以比传统方法更快地开发产品并进行创新。在益生菌产品开发中应用ANN有助于为生产健康食品树立新的标准。此外,这种方法还可以扩展到其他功能性食品生产过程,从而拓宽该领域的研究范围。这种方法有望为未来的科学研究和工业应用开辟道路。

最后,虽然本研究旨在使用ANN-GA最大化产出值,但未来的研究将专注于开发一个更全面的实验框架,包括最优值和最小值。这将确保训练好的网络能够准确模拟整个系统。
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