《Current Research in Food Science》:Computational optimization of food formulation and extrusion conditions for nutrient density and antioxidant capacity
编辑推荐:
加工食品对现代饮食模式至关重要,但目前分类系统是定性的,对设计更健康产品的指导有限。研究人员提出了一个计算框架,整合了原料营养-生物活性数据库、机理动力学模型、机器学习预测器和全局优化,以挤压早餐谷物为案例,改善挤压食品的营养质量和抗氧化能力。一个大语言模型(
加工食品对现代饮食模式至关重要,但目前分类系统是定性的,对设计更健康产品的指导有限。研究人员提出了一个计算框架,整合了原料营养-生物活性数据库、机理动力学模型、机器学习预测器和全局优化,以挤压早餐谷物为案例,改善挤压食品的营养质量和抗氧化能力。一个大语言模型(LLM)辅助的提取工作流从2000篇同行评审论文和商业供应商数据中构建了包含503条原料记录的数据库,显示生物活性和营养物质浓度在原料间跨越多个数量级,供应商级条目中原料内变异系数中位数为36%。仅原料选择就解释了配方间营养丰富食品指数(NRF9.3)平均28%的变异。在模拟参考挤压条件下,模型预测所有20个配方的NRF9.3下降,而预测的铁还原抗氧化能力(FRAP)上升(NRF9.3 ?10.74 ± 15.73%;FRAP +25.35 ± 18.59%)。原料采购的变异通常比挤压引起的NRF9.3变化重要3至11倍,但富含热敏维生素的配方则受加工主导。配方特定的挤压温度和时间优化被预测能使NRF9.3–FRAP联合评分比参考条件平均提高10%(最高44%),且20个配方中有18个也被预测超过其未加工基线。总体而言,这项工作提供了一个可推广的框架,整合了原料组成和工艺参数,用于食品加工中营养和生物活性目标的系统优化。
**研究背景与问题**
加工食品是现代饮食的主要组成部分,在美国占每日热量摄入的一半以上,与此同时,肥胖、2型糖尿病和心血管疾病等饮食相关慢性病日益流行。然而,当前评估加工食品的框架(如NOVA分类系统)多为定性分析,不能清晰地将具体原料或制造过程与营养质量或生理反应联系起来,对设计更健康食品的指导有限。在食品加工方法中,挤压是一种高通量技术,广泛应用于即食谷物、零食和植物基产品,但挤压过程中热和机械剪切同时作用,会引发淀粉糊化、蛋白质变性以及营养素降解等多重变化。尽管已有大量实验研究探讨了配方和加工条件对食品质量的影响,但结果往往针对特定原料或设备,难以推广到不同配方和工艺条件。此外,消费者对健康日益关注,需要评估加工食品的营养质量(如营养评分)和生物活性(如抗氧化能力),而产品开发仍依赖经验性的试错法,耗时且成本高。因此,研究人员旨在开发一个预测性框架,将原料营养-生物活性数据库、挤压过程中营养素变化的机理动力学模型、预测抗氧化能力的机器学习模型以及工艺条件优化相结合,以系统提升挤压食品的营养密度和抗氧化能力。该研究发表于《Current Research in Food Science》。
**主要关键技术方法**
研究人员采用以下关键技术:1)基于大语言模型(LLM,GPT-5.2)的自动化数据提取工作流,从2000篇同行评审论文和商业供应商数据中构建包含28种挤压相关原料、503条记录的营养-生物活性数据库;2)一级热降解动力学模型(基于Arrhenius方程)模拟热敏维生素(A、C、E)在挤压过程中的保留,以及零级释放与一级降解耦合的动力学模型描述酚类化合物的释放与降解;3)随机森林(Random Forest)机器学习模型,从加工调整后的化学特征预测铁还原抗氧化能力(FRAP),模型在275个食品样本上训练,在挤压样本上留一研究验证R2=0.46;4)全局优化算法(差分进化Differential Evolution和双退火模拟退火Simulated Annealing)对每个配方优化挤压温度(103–156°C)和停留时间(21–60秒),最大化结合NRF9.3和FRAP的加权目标。样本队列来源包括USDA FoodData Central、TraceGains商业数据库、FoodAtlas以及文献提取的275个食品抗氧化能力数据。
**研究结果**
**3.1 原料级营养和植物化学物质数据库**
研究人员构建了包含12种NRF9.3营养素和超过600种化学物质的数据库。化学物质覆盖度在原料间差异显著(从豌豆纤维的<20种到扁豆的近150种)。总酚和总黄酮浓度在原料间跨越多个数量级(如总酚从扁豆的~300 μg/g到杏仁粉的>161,000 μg/g)。供应商级营养数据(391条记录)显示,219个原料-营养对的中位变异系数(CV)为36%,37%的CV超过50%;维生素A、C、E的CV分别高达175%、88%和90%。原料采购单独引入的NRF9.3 CV平均为28%±2%(SEM),表明原料选择是营养不确定性的主要驱动因素。
**3.2 挤压下NRF9.3和抗氧化能力预测反向变化**
在参考挤压条件(140°C,30秒)下,模型预测所有20个配方的NRF9.3下降(平均?10.7%,范围?1%至?57%),同时FRAP上升(平均+25%,范围+6%至+80%)。水果和蔬菜富集配方NRF9.3损失更大(平均?25.5%),而淀粉主导(?1.5%)和蛋白质主导(?7.3%)配方损失较小,与其较高初始热敏维生素浓度一致。采购变异引起的NRF9.3范围通常超过加工引起的偏移;方差分解表明,即使在最加工敏感的配方中,原料采购占NRF9.3总变异的≥85%,重要性至少是挤压变化的5倍。蒙特卡洛不确定性传播(5000次迭代/配方)显示,采购-加工比(σ_sourcing / |Δ_processing|)在配方间差异很大:8个配方超过5(采购主导),9个在1-5之间(混合),3个低于1(加工主导,如富含维生素的配方)。营养素分解揭示维生素A是NRF9.3不稳定性的最大贡献者(平均CV=54%),其次是钙(45%)、铁(40%)和维生素E(38%)。
**3.3 优化预测可提升联合营养-抗氧化评分高达44%**
优化得到配方依赖的最佳挤压条件,分为三组:8个配方偏好温和条件(≤113°C,≤35秒),5个偏好高温短时(117–138°C,21–35秒),7个需要更高强度处理(如156°C/40秒或119°C/60秒)。配方特定优化使NRF9.3–FRAP联合评分比参考条件平均提高10%(ΔJ=0.04±0.03),20个配方中有18个超过未加工基线;最大增益出现在生物活性富集且维生素敏感的配方中(高达44%),而初始植物化学物质低的配方收益极小(ΔJ≈0)。动力学模型揭示,游离酚释放最大化的加工强度区域(高于130°C)与维生素损失加速区域之间存在权衡,平衡点取决于配方初始组成。
**讨论与结论**
讨论指出,现有食品成分数据库(如USDA FoodAtlas)缺乏与工艺设计直接相关的原料级植物化学物质数据,本研究填补了这一空白。原料间的高度异质性意味着即使不考虑加工,原料替换也能影响营养和生物活性的量级和类型。供应商变异对配方设计构成实际挑战,建议产品开发团队尽可能使用批次特异性营养数据,而非平均值。NRF9.3和FRAP在挤压下的反向响应由热敏维生素降解和机械释放结合酚类两种机制驱动。由于原料采购通常主导NRF9.3变异(3-11倍于加工),原料规格控制与工艺设计同等重要;但富含维生素的配方例外,工艺优化成为主要杠杆。不确定性传播分析提供了可操作指导:针对维生素A、钙和铁等少数营养素的供应商规格可以显著降低成品营养变异。最优条件聚类反映了酚类释放(高强度)与维生素保留(低强度)之间的权衡,不同配方需采用不同策略。本研究为计算框架,预测需未来实验验证;当前仅参数化温度和停留时间,实际工业应用需加入水分含量、比机械能等参数,且需结合物理和感官属性。
**研究结论**:本研究提出了一个整合原料级成分数据库、机理动力学模型和机器学习的计算框架,用于优化挤压食品的营养和生物活性。在20个配方中,模型一致预测营养密度下降而抗氧化能力上升。蒙特卡洛不确定性传播表明,原料采购变异通常主导NRF9.3的变化,但富含维生素的配方例外,工艺控制更重要。配方特定优化挤压温度和时间可提升联合营养-抗氧化评分高达44%,最大增益出现在生物活性富集体系中。这些结果表明,原料采购控制和工艺优化是互补杠杆,其相对重要性取决于配方组成,而动力学模型结合系统优化可指导有意义的改进。实验验证和感官属性整合将是重要的下一步工作。