综述:人工智能辅助植物蛋白肉类似物设计:整合营养、功能性与基于原纤维化的组织化

《COMPREHENSIVE REVIEWS IN FOOD SCIENCE AND FOOD SAFETY》:Artificial Intelligence–Assisted Design of Plant-Protein Meat Analogues: Integrating Nutrition, Functionality, and Fibrillation-Based Texturization

【字体: 大 中 小 】 时间:2026年07月17日 来源:COMPREHENSIVE REVIEWS IN FOOD SCIENCE AND FOOD SAFETY 15.6

编辑推荐:

  植物蛋白提供营养价值和技术功能性能,然而其主要的球状结构通常形成各向同性凝胶,缺乏动物肌肉那种纤维状、各向异性和保水的网络。本综述将植物蛋白肉类似物设计视为一个多目标挑战,需要同时优化营养、消化率、功能性、质地、感官质量、可扩展性和可持续性。文中首先总结了植物

  
植物蛋白提供营养价值和技术功能性能,然而其主要的球状结构通常形成各向同性凝胶,缺乏动物肌肉那种纤维状、各向异性和保水的网络。本综述将植物蛋白肉类似物设计视为一个多目标挑战,需要同时优化营养、消化率、功能性、质地、感官质量、可扩展性和可持续性。文中首先总结了植物蛋白的营养益处和局限性,包括氨基酸平衡、消化率、致敏性、抗营养因子以及与健康相关的结果。随后回顾了提取和技术功能改性策略,以及基于原纤维化的组织化技术,如高水分挤压、剪切单元加工、3D打印、纺丝和淀粉样原纤维形成。在这些阶段中,人工智能被定位为一个整合设计层,连接了蛋白质选择、加工条件、流变学、微观结构、质地、营养和可持续性。总体而言,人工智能辅助的工作流程可能会加速结构逼真、营养可信且工业可扩展的植物蛋白肉类似物的开发。
这篇论文系统性地探讨了人工智能辅助植物蛋白肉类似物设计的多目标优化挑战,涵盖了从蛋白质来源选择到最终产品成型的完整工艺链路。文章主体内容总结如下:

1 Introduction
碳水化合物、脂质和蛋白质是维持生理功能的基本常量营养素。与资源密集型的动物蛋白生产相比,植物蛋白不仅面临较少的伦理和宗教壁垒,且具有更低的环境负担。然而,植物蛋白的球状结构往往形成各向同性凝胶,难以复制动物肌肉的纤维状和保水网络。植物蛋白肉类似物的开发并非简单的蛋白质替代,而是一个整合了配方与加工的综合问题。成功的配方设计必须同时满足营养充足性、流变学行为、相组织、保水性、各向异性、风味以及可制造性。在此背景下,人工智能应与可测量变量(如氨基酸分布、蛋白质纯度、流变学特性和挤压条件等)紧密结合,以在源头选择、提取、功能改性和基于原纤维化的组织化等阶段发挥数据驱动的优化作用。

2 Nutritional Aspects of Plant Proteins
高质量蛋白质需具备良好的消化率以及均衡的必需氨基酸组成。通常使用蛋白质消化率校正氨基酸计分和可消化不可或缺氨基酸计分来评估蛋白质质量。由于大多数植物蛋白缺乏一种或多种必需氨基酸,其得分通常低于动物蛋白。通过策略性地混合互补的植物蛋白(如豆类与谷物结合)可以改善氨基酸平衡。计算筛选结合蛋白质语言模型等工具可提供额外的序列与结构分析层级,但需在食品基质的水化、pH值、剪切和加热等实际背景下解释这些预测结果,将其作为实验验证的候选筛选步骤。

2.1 Health Promoting Association
2.1.1 Plant Proteins and Cancer Risk Modulation
尽管部分研究表明红肉和加工肉类与结直肠癌风险存在间接关联,但蛋白质类型与癌症风险的整体关系仍受多种生活方式和宿主表型影响。计算饮食模型在将植物蛋白摄入作为更广泛饮食模式的一部分进行分析时最具价值,能够识别与低风险饮食特征一致的替代模式,但无法确证特定成分与癌症预防之间的因果关系。

2.1.2 Diabetes and Glycemic Control
以植物蛋白替代动物蛋白可能对降低2型糖尿病风险具有保护作用。针对血糖控制,机器学习模型能够结合饮食、临床、生活方式和肠道微生物群变量来预测餐后血糖反应,从而比较不同配方的代谢影响。

2.1.3 Cardiometabolic Outcomes and All-Cause Mortality
植物蛋白可通过增强低密度脂蛋白与其受体的结合来改善心血管健康。大规模队列研究表明,以植物蛋白替代部分动物蛋白与全因死亡率及心血管疾病风险降低相关。机器学习能够捕捉非线性的饮食与疾病关系,进而对配方进行风险评估和筛选。

2.1.4 Lean Body Mass and Muscle Strength Affected by Plant Protein
肌肉蛋白质的周转受合成与分解两个过程调控。尽管动物蛋白在促进骨骼肌合成方面通常更有效,但基于人工智能和机器学习的框架正被用于发现具有促合成或抗分解活性的植物源生物活性肽。预测模型通过整合人口统计学、生化指标和饮食变量,有助于识别肌少症风险并定义目标人群的营养需求。

2.2 Health Concerns and Plant Proteins
2.2.1 Allergenicity
食物过敏是特定食物成分引发的异常免疫反应。尽管豆类致敏性较低,但基于序列的深度学习模型能够通过比对已知致敏原数据库,快速标记新兴植物蛋白的潜在致敏风险,为规模化生产前的风险优先级排序提供指导。

2.2.2 Antinutrients
植酸、单宁和胰蛋白酶抑制剂等抗营养因子会影响蛋白质的生物利用度。数据驱动模型可建立加工变量与抗营养因子去除率及蛋白质功能性之间的联系。优化加工窗口需在不损害蛋白质结构功能的前提下改善其生物利用度。

3 Protein Extraction and Techno-Functional Modification
为达到与动物蛋白相当的技术功能性能,植物蛋白必须经过高效提取和结构调谐。预测模型通过构建可测量的“过程-结构-功能”联系,利用人工神经网络和响应面法等工具优化pH值、温度、提取时间等输入,以提高提取率并保持溶解度、持水性和凝胶性等下游加工性能。

3.1 Physical Techniques
3.1.1 Ultrasound
超声波处理基于声学空化机制,产生的局部高温高压和高剪切力能够破坏植物细胞壁并改变蛋白质的二级和三级结构,从而提高提取率并改善溶解度和凝胶强度。支持向量回归和遗传算法等机器学习方法可映射其非线性效应,并设置过度加工的预警指标。

3.1.2 Pulsed Electric Field (PEF)
脉冲电场通过高强度电脉冲诱导细胞壁产生电穿孔,释放胞内蛋白质。中等强度的PEF能改善蛋白质的溶解度和乳化性,而高强度可能导致蛋白质重聚集。机器学习模型可识别在不引发聚集行为条件下的最佳操作窗口。

3.1.3 High-Pressure Processing (HPP)
超高压处理通过破坏非共价相互作用改变蛋白质的三级和四级结构。适度的高压处理可暴露疏水和巯基基团,提升溶解度和界面性能,但过高压力会导致过度聚集。深度学习 architectures 能解码光谱指纹以量化预测蛋白质结构变化,加速新植物分离物的筛选。

3.1.4 Microwave
微波处理利用极性分子的摩擦产生热量,破坏细胞壁氢键并增加膜渗透性。物理引导的神经网络可实时预测复杂基质中的温度场,防止局部过热导致不可逆聚集。微波处理能改变蛋白质的二硫键和氢键,提升其持水能力和表面疏水性。

3.2 Biological Techniques
3.2.1 Fermentation
发酵结合了微生物酸化和酶促作用,能降解抗营养因子并重塑蛋白质结构。卷积神经网络可用于实时识别发酵轨迹,精确预测酸化终点,并实现工艺过程的自动化控制与数据挖掘。

3.2.2 Enzymatic Modification
酶法改性包括蛋白酶水解和酶法交联。水解可改善溶解度和界面活性,交联则能增强凝胶网络。DeepSolNet等深度学习框架能直接从序列数据预测蛋白质溶解度,生成对抗网络则可模拟特定蛋白酶组合对二级结构的影响。

3.3 Chemical Techniques
化学改性通过官能团的衍生化来调整蛋白质表面电荷和构象,常见方法包括酰化、糖基化和磷酸化等。支持向量机模型可通过输入表面疏水性、zeta电位等大分子结构预测因子,高精度预测蛋白质的宏观功能结果。

4 Plant Protein Retexturizing to Meat Analogue
为复制动物肉的层次结构和方向性断裂特性,球状植物蛋白必须经过重组、展开、对齐和固定以形成各向异性纤维基质。

4.1 Thermo-Extrusion
热挤压通过高水分挤压技术使蛋白质发生变性并在冷却模具中重新对齐形成纤维结构。贝叶斯优化和计算机视觉等AI辅助模型能够将配方和工艺变量与挤出物的各向异性、持水性和视觉纤维度等结构结果相连接,实现高水分挤压过程的配方优化和实时质量监控。

4.2 Shear-Cell Technology
剪切单元技术通过在旋转和静止的锥体或圆柱体之间施加可控剪切力来使蛋白质对齐。该技术将剪切速率与处理量解耦,非常适合作为机理研究和配方筛选的快速平台。结合图像分析工具和机器学习流变学预测模型,可客观评估纤维对齐情况并为挤压工艺提供预测数据。

4.3 3D Printing
3D打印通过喷嘴剪切逐层沉积蛋白质墨水,实现了空间位置可编程的纤维结构构建。机器学习模型可预测配方的可打印性,计算机视觉则能量化评估打印细丝的尺寸精度和层间粘附性,从而实现从油墨配方到最终质地的闭环工艺控制。

4.4 Other Fibrilization Methods
纺丝技术将蛋白质溶液拉伸成连续细丝,而类淀粉样原纤维则通过酸性加热将球状蛋白转化为富含β-折叠的微米级长纤丝。这些微纤丝能够强化界面和凝胶网络,显著提升高水分基质中的各向异性。

5 Integrated AI-Driven Design Framework, Limitations, and Future Directions
5.1 Closed-Loop AI-Assisted Design Workflow
闭环AI设计框架将产品目标转化为可测量的输入和输出,通过训练模型关联工艺与产品属性,预测候选配方并进行实验验证,最后将新数据回馈至数据集以提升模型的特异性。

5.2 Cross-Stage Integration From Protein Source to Final Product
AI跨阶段整合支持从原料评级、提取改性条件优化,到组织化成型、风味挖掘及可持续性评估的全链路系统级设计。

5.3 Challenges, Limitations, and Industrial Readiness
AI在食品领域应用仍面临数据集碎片化、跨源泛化能力弱、黑盒模型可解释性差等挑战。预测结果必须经过消化率测定、免疫测试和消费者测试等严格的实验与法规验证。

5.4 Future Roadmap
未来的发展方向应聚焦于建立标准化的食品蛋白质数据集,优先发展物理信息机器学习与混合建模的方法理论,并长期致力于构建集计算设计、精密发酵和闭环打印于一体的自主或半自主产品开发平台。

6 Conclusion and Future Trends
植物蛋白肉类似物的开发需要多学科协同控制营养、功能、纤维结构与可持续性。AI作为综合设计层,能够加速优先排序配方和加工条件,但其有效性依赖于标准化的实验数据和坚实的验证框架。未来的研究将推动植物蛋白架构超越了单纯的类肉形态,实现营养可信、感官可接受、规模可扩展且环境友好的产品创新。
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