24种茶品种中茶多酚体外消化稳定性的分析与预测建模

《Food Frontiers》：Analysis and Predictive Modeling of In Vitro Digestive Stability of Tea Polyphenols in 24 Tea Varieties

　　

茶多酚（tea polyphenols, TP）是茶叶中的关键功能成分，但其在人体消化过程中的不稳定性限制了吸收。本研究选取24种代表性茶品种，建立体外动态消化模型，研究茶多酚在消化过程中的动态变化。利用电子鼻和色差技术收集茶汤的特征信号，构建预测模型，以评估消化前后的茶多酚含量（TPC）。结果表明，茶汤香气以氢化物为主，茶叶发酵程度与汤色强度呈正相关。绿茶具有最高的TPC和儿茶素水平，表现出强抗氧化特性。TP在胃中相对稳定，但在肠道中显著减少，而儿茶素组分表现出不同的降解模式。基于电子鼻数据预测TPC的极端梯度提升（XGBoost）模型效果最佳，R²为0.92。结合色差和TPC的XGBoost模型表现最优，R²为0.81。该研究为阐明人体中TP的消化模式及建立茶品质评估体系提供了有力支持。

**论文解读：基于24种茶品种的茶多酚体外消化稳定性分析与预测建模**

**研究背景、问题与研究动机**
茶作为全球广泛消费的饮品，不仅因其感官品质受到青睐，还对健康具有多种积极作用。茶叶品种多样，根据发酵程度可分为未发酵茶、半发酵茶和全发酵茶。茶多酚（tea polyphenols, TP）是茶叶中含量最丰富的活性成分之一，占干重的20%–30%，是决定茶汤色泽、香气、风味和功能特性的核心物质。TP在理想条件下表现出强抗氧化、抗疲劳、降血糖、抗菌抗炎、预防心血管疾病及抗癌等生物活性。然而，TP在人体消化过程中的不稳定性和代谢转化严重限制了其生物利用度，导致其理想活性与实际生理功效之间存在显著差距。目前测定TP含量的方法（如比色法和高效液相色谱法）耗时、具破坏性且依赖高精度仪器，不适用于实时监测。此外，不同茶品种因栽培品种、加工工艺和冲泡方式的影响，TP含量差异显著。因此，利用更高效、无损的技术建立智能预测模型具有重要意义。现有研究多集中于预测茶品质和茶汤化学成分，但胃肠道是TP消化的主要场所，其对人体健康的影响高度依赖于胃肠道消化过程。基于此，本研究旨在通过机器学习处理茶汤的电子鼻和色差数据，预测模拟消化前后茶叶中的TP含量，建立快速、高效、广适的研究框架，为阐明TP在人体内的生物利用度及开发更具靶向性的功能性TP产品提供科学依据。

**研究内容、结论与意义**
研究人员选取24种代表性茶样本（涵盖主要茶类），构建体外动态人胃肠模拟系统（DHSI-IV），系统研究了TP在消化过程中的动态降解规律，检测了不同茶样的挥发性化合物和颜色参数特征，比较了不同机器学习算法在不同输入参数下的预测性能，并分析了茶样类型、TP含量、抗氧化能力等指标之间的关系。研究发表在《Food Frontiers》（Food Frontiers）。主要结论包括：茶汤香气以氢化物为主，发酵程度与汤色强度正相关；绿茶的TP含量和儿茶素水平最高，抗氧化能力强；TP在胃消化中相对稳定，在肠道消化中显著减少，儿茶素单体呈现独特降解模式；基于电子鼻数据的XGBoost（极端梯度提升）模型对消化前TP含量的预测效果最佳（R²=0.92），基于色差和TP数据的XGBoost模型对消化后TP含量的预测效果最优（R²=0.81）。该研究建立了基于物理特性的预测模型，可用于茶品质的无损评估，为构建更精确、广适的茶品质评价体系提供了科学依据，有助于茶饮料开发和TP等功能性营养素的利用。

**关键技术与方法**
（1）电子鼻系统（PEN3型）采集茶汤挥发性信号，使用10个传感器（W1C、W2S等）的稳定响应值作为特征。
（2）色差计（CR-10plus型）测量茶汤的色差参数（L、a、b值）。
（3）体外动态人胃肠模拟系统（DHSI-IV）进行模拟消化，分别在胃和肠取样点于消化30、60、90、120 min收集食糜。
（4）采用Folin-酚比色法测定总TP含量；采用高效液相色谱法（HPLC，C18柱，278 nm检测）测定儿茶素组分（EGCG、ECG、EGC、EC）。
（5）抗氧化能力通过DPPH自由基清除能力和Fe³⁺还原力（铁氰化钾法）评估。
（6）机器学习模型：随机森林（Random Forest, RF）和极端梯度提升（eXtreme Gradient Boosting, XGBoost），通过10折交叉验证评估性能，指标包括决定系数R²和均方根误差（RMSE）。样本来源：24种代表性茶样，包括绿、黄、白、红、乌龙、黑茶及再加工茶，收集自商业公司、研究机构和当地农户，覆盖多品种、多加工方式和地理来源。

**研究结果**

**3.1 电子鼻响应值采集结果**
通过电子鼻雷达图（图1A）和热图（图1B）分析，发现茶汤香气以氢化物为主，W2S传感器响应值最高，表明主要挥发性成分为氢化物、烯烃和芳香化合物。主成分分析（PCA，图1C）显示两主成分贡献82%，可区分不同茶类，绿茶和黄茶的香气特征独立且不重叠，红茶、黑茶和再加工茶分布重叠，难以仅凭香气区分。负载分析（图1D）确认W6S和W2S传感器贡献率高，即氢化物为主导。分析W6S值（图1E）表明白茶响应范围最广，绿茶响应值最高。结论：电子鼻技术可有效区分某些茶类（如绿茶），但难以进一步区分品种或产地。

**3.2 色差响应值采集结果**
基于色差参数L（亮度）、a（红绿）、b（黄蓝）的三维散点图（图2A）显示，绿茶、黄茶和再加工茶在L轴右侧集中（亮度高），红茶、黑茶、白茶和乌龙茶样品空间分离良好。PCA（图2B）两主成分解释92.4%方差，黑茶沿PC1轴独立聚类，绿茶和白茶置信圆分离清晰，红茶、再加工茶和乌龙茶置信圆重叠。负载分析（图2D）表明L值在区分茶类中起关键作用。分析L值（图2E）显示黄茶、绿茶和乌龙茶亮度最高，黑茶亮度最低。热图（图2C）结合图3表明，黑茶和红茶呈红褐色（a值高），白茶呈黄色（b值高），且白茶等级与汤色相关，亮度高者品质优。发酵程度越高，汤色越深，这与茶黄素转化为茶红素有关（Ma and Hung 2020）。

**3.3 主要品质成分分析**
对7类茶的TPC、儿茶素（EGCG、ECG、EGC、EC）、DPPH·清除能力和Fe³⁺还原力进行箱线图分析（图4）。结果表明：绿茶TPC和各项指标最高；黄茶次之；发酵茶（红茶、乌龙茶、黑茶）TPC较低。黑茶TPC降低可能与渥堆发酵有关，导致酯型儿茶素减少并形成氧化聚合产物（如茶黄素、茶红素）。不同加工工艺显著影响品质成分，例如夏采蒸青绿茶抗氧化能力最强。相关分析表明，大多数茶的TPC与DPPH·清除能力、Fe³⁺还原力强相关，白茶相关性最强；绿茶TPC与EGCG、ECG高度相关；黄茶与EGCG、ECG、EC相关；乌龙茶与四种儿茶素均呈良好相关。

**3.4 茶汤TPC预测模型**
将电子鼻10个传感器响应值、色差参数（L、a、b）及融合数据分别输入XGBoost和RF模型，预测24种茶汤的TPC。结果（表1，图5）显示：基于电子鼻特征的XGBoost模型性能最佳（交叉验证RMSE=0.3481，训练集R²=1，测试集R²=0.92）；基于色差参数的RF模型次之（测试集R²=0.92）。总体XGBoost优于RF。电子鼻和色差参数在XGBoost中表现优异，证实TPC与汤色和香气显著关联。儿茶素占TPC的60%–70%，其氧化和酶促褐变过程影响茶汤香气和颜色。

**3.5 模拟消化对茶汤主要品质成分的影响**
体外动态消化显示，所有样品消化后TPC显著降低（p<0.05）（图6A）。消化前TPC高的样品（如绿茶、黄茶）消化后残留TPC仍较高；消化前TPC低的样品（如再加工茶RtML和红茶BtASM）消化后更低。TPC在胃消化阶段（0–0.5h）下降最显著，随后胃内（0.5–1h）变化趋于稳定；进入肠道后TPC进一步显著下降，但整体胃中损失大于肠道，表明TP在胃环境中更不稳定，这与不同pH值相关。不同茶类TP保留率差异显著，受品种、发酵和储存等因素影响。

儿茶素分析（图6B–E，表S4）：EGCG、ECG、EGC和EC在2h消化后显著减少。EGCG在大多数茶中占主导，GtES含量最高。胃消化0.5h后，除RtML外各茶EGCG显著降低；进入肠道后多数茶EGCG降至检测不到，但GtLA、YtJS、OtDD和DtJY在肠道中波动，可能因肠道微生物分解结合态多酚释放EGCG前体。ECG：绿、白、黄茶含量高，YtGD最高；消化后多数茶ECG显著降低，仅29.2%样品在肠道中检出，后期完全降解。EGC：GtDQ含量最高，胃消化1h内62.5%的EGC显著降至零；绿茶EGC在肠后期略有回升，可能源于EGCG脱没食子酰基生成EGC。EC：YtGD最高，连续消化1.5h后降为零；其余样品EC显著减少。EGCG和EGC比ECG和EC更易降解，因为其B环酚羟基在弱碱性肠液中易形成半醌自由基。抗氧化能力：DPPH·清除能力（图6F）在胃消化阶段下降较小（1.23%–8.57%），肠消化阶段显著下降且随时间延长而降低。Fe³⁺还原力（图6G）胃消化阶段优于肠消化阶段，且胃消化中随时间上升但不显著，肠消化中波动较大。

**3.6 消化后TPC预测模型**
基于消化前物理特性（电子鼻+初始TPC、色差+初始TPC、融合数据+初始TPC），利用XGBoost和RF预测消化后TPC（表1，图7）。XGBoost算法下，融合数据+初始TPC为输入的模型表现最佳（交叉验证RMSE=0.4766，训练集R²=1.00，测试集R²=0.83）；RF算法下电子鼻+初始TPC模型预测结果较差（RMSE=0.6506，测试集R²=0.44）。总体以色差参数为输入变量的预测最准确，能有效预测消化后TP含量。

**总结与讨论**
研究通过综合分析24种茶汤的电子鼻、色差及体外模拟消化数据，基于消化前物理性质建立了消化后TP和TPC的预测模型。结论指出：茶汤香气以氢化物为主，发酵程度与汤色强度正相关；绿茶TPC和儿茶素最高，抗氧化强；红茶和乌龙茶含量低，但发酵产生新色素和风味物质；白茶TPC与抗氧化特性相关性最强。TP在胃消化中相对稳定，肠消化中显著减少；儿茶素单体代谢趋势各异。基于此，建立了预测模型：预测消化前TPC的最佳模型为基于电子鼻数据的XGBoost模型；预测消化后TPC的最佳模型为基于色差和TPC的XGBoost模型。该方法可用于茶品质的无损评价，有助于建立更精确、广适的茶品质评估体系，为茶饮料开发和TP等功能性营养素的利用提供科学依据。该研究为阐明TP在人体中的消化模式及开发靶向性功能产品提供了新视角。