α-生育酚与杨梅素协同作用可解释动力学的混合机器学习框架

《JOURNAL OF FOOD SCIENCE》:A Hybrid Machine Learning Framework for Interpretable Kinetics of α-Tocopherol and Myricetin Synergism

【字体: 大 中 小 】 时间:2026年07月17日 来源:JOURNAL OF FOOD SCIENCE 4.1

编辑推荐:

  预测食品油乳液中抗氧化剂混合物的稳定效能因单个抗氧化剂之间的协同或拮抗相互作用而高度复杂。为应对这一挑战,研究人员提出了一种创新的混合机器学习框架,称为通用微分方程(universal differential equations, UDEs),该框架将深度学

  
预测食品油乳液中抗氧化剂混合物的稳定效能因单个抗氧化剂之间的协同或拮抗相互作用而高度复杂。为应对这一挑战,研究人员提出了一种创新的混合机器学习框架,称为通用微分方程(universal differential equations, UDEs),该框架将深度学习的表达能力与传统动力学模型的机制边界相结合。研究人员通过表征油中α-生育酚(α-tocopherol)在杨梅素(myricetin)存在下的耦合降解动力学,展示了这种数据高效方法的实用性。通过将紧凑的人工神经网络直接嵌入到常微分方程(ordinary differential equations, ODEs)系统中,混合UDE模型成功从一个小型数据集中学习了隐藏的相互作用,定量揭示了它们的互惠保护作用。此外,研究人员将这些机器学习获得的相互作用转化为一个基于Hill型饱和动力学(Hill-type saturation kinetics)的可解释、完全解析的模型。关键的是,这个透明的解析模型不仅准确再现了训练数据(R2 = 0.998),还成功地将抗氧化动力学外推到之前未见过的实验配方(R2 = 0.978),其中杨梅素浓度增加了五倍。这项工作为理解食品系统中复杂的动力学相互作用提供了一个强大、可解释的人工智能(artificial intelligence, AI)工具,在加速产品开发、优化保藏策略和延长食品保质期方面具有广泛应用。
**研究背景、问题与意义**
食品油乳液中的脂质氧化是导致品质劣化的主要因素,添加抗氧化剂可有效缓解。然而,不同抗氧化剂之间的协同或拮抗作用使得预测混合物的稳定效能极为复杂。传统动力学模型难以捕捉高非线性相互作用,而纯数据驱动的深度学习模型又面临数据稀疏和“黑箱”缺乏可解释性的瓶颈。为此,本研究引入通用微分方程(UDEs)这一混合机器学习框架,旨在结合深度学习的数据适应能力与传统动力学模型的机制结构,从有限实验数据中揭示隐藏的动力学规律。该研究以α-生育酚与杨梅素在油中的耦合降解为案例,验证了框架的有效性,并将机器学习获得的相互作用转化为基于Hill型饱和动力学的解析模型,最终成功外推至五倍浓度变化的新配方。论文发表在《JOURNAL OF FOOD SCIENCE》。

**主要技术方法**
研究人员采用基于TensorFlow库设计的紧凑前馈神经网络(2个隐藏层,每层10个神经元,tanh激活函数),将其嵌入到常微分方程系统中构建UDE模型。模型使用Adam算法同时优化神经网络权重和线性衰减系数,以均方误差(MSE)为损失函数。实验数据来自前期研究:商业大豆油经硅酸和活性炭柱层析去除内源抗氧化剂后,添加恒定50 μM α-生育酚及不同初始浓度杨梅素(摩尔比2:10和10:10),在60°C暗处加速氧化,通过高效液相色谱(HPLC)测定降解曲线。训练数据仅采用2:10比例(12-18个时间点),外推验证采用10:10比例(18-28个时间点)。

**研究结果**

*3.1 深度学习揭示了饱和互惠相互作用*
通过训练一致性系统,神经网络成功学习了未知相互作用项N?(杨梅素对生育酚的影响)和N?(生育酚对杨梅素的影响)。模型准确再现2:10比例的耦合降解动力学(五折交叉验证平均R2=0.937,验证集MSE在训练集误差6%以内)。网络输出显示:N?呈双曲线依赖性(随杨梅素浓度饱和),N?呈S型依赖性(需达到浓度阈值),意味着两者存在互惠保护且表现为早期饱和动力学。

*3.1.1 神经网络揭示了双曲线和S型化学相互作用*
图示表明N?在杨梅素高浓度时趋近饱和最大值,低浓度时迅速下降;N?在生育酚浓度低于阈值时保护效应微弱,超过阈值后急剧上升至饱和。

*3.2 从黑箱AI到完全解析动力学模型*
将神经网络替换为Hill函数(H?和H?),构建完全的解析模型(方程3)。该模型对2:10比例数据的拟合R2=0.998,几乎完全复现了混合模型的轨迹,说明翻译过程未损失预测能力。

*3.2.1 解析模型成功外推至未见配方*
将基于2:10数据拟合的Hill模型直接用于预测10:10比例(杨梅素浓度增加5倍,生育酚保质期延长3倍),预测结果与实验数据高度一致(R2=0.978)。该外推成功表明模型捕捉了有意义的相互作用动力学。该方法有望推广至其他复杂食品系统中的耦合降解或反应动力学。

*3.2.2 双相生育酚曲线的机制起源*
解析模型解释了生育酚降解呈现双相性的原因:当杨梅素浓度高(v >> k?)时,相互作用项H?近似为常数b?,表现为准零级动力学(恒定保护);当杨梅素耗尽至阈值以下(v << k?)时,H?变为与v?1成正比,转为n?级动力学,保护快速衰减。这种有效反应级数的突变导致了从缓慢衰减到快速降解的转变。

**讨论与结论**
讨论部分强调了该混合框架在数据稀缺食品科学中的应用潜力,其解析形式可充当数据高效的数字配方工具,通过有限实验训练后虚拟筛选配方。研究结论指出:α-生育酚与杨梅素在油中的协同相互作用受互惠保护型饱和机制调控,该机制通过有效反应级数的质变驱动生育酚的双相降解轮廓。基于UDE-Hills模型成功外推至五倍浓度变化,建立了将不可知机器学习与机制性食品化学相融合的实用策略,为优化复杂抗氧化配方、加速保藏策略设计提供了数据高效的数字工具。
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

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