综述：整合SAOS、LAOS与食品摩擦学：构建食品系统中结构-功能关系及感官预测的新框架

《Food Research International》：Integrating SAOS, LAOS, and food tribology: Emerging frameworks for structure-function relationships and sensory prediction in food systems

　　•将摩擦学与SAOS/LAOS相结合，有望提升感官预测能力。•LAOS能够揭示超出线性粘弹性区域的非线性破坏行为。•所提出的框架将微观结构、SAOS/LAOS、摩擦学以及感官体验相互关联。•不同的摩擦学状态可对应到乳状感、粗糙度以及涩味等感知体验上。•该框架涵盖了乳制品、植物基食品、适合吞咽困难人群的食品以及3D打印食品领域。

引言
食物的质地在很大程度上决定了人们对其的喜爱程度、产品被认可的程度，以及其是否因其营养价值而被接受。我们对质地的感知源于口腔中的机械感受器、温度感受器以及舌头、上颚和口腔黏膜中的化学感受器共同作用，将咀嚼时的物理感觉转化为乳状感、粗糙度等感知，甚至带来愉悦或不适的感觉（Aguilera & Park, 2016; Szczesniak, 2002）。在咀嚼过程中，食物会破碎、吸收水分并改变形状，从而产生硬度、乳状感、涩味等多种感觉（Chen & Stokes, 2012）。尽管在理解食品材料背后的科学原理方面已取得诸多进展，但仍然难以将食品的结构与其在口腔中的口感直接联系起来。这部分是因为质地是由多个层面的相互作用形成的，从分子和微小颗粒到咀嚼过程中瞬间发生的变化都有影响（Stokes et al., 2013）。虽然新的工具和先进的分析方法帮助研究人员了解了这些过程，但仍然需要能够全面把握情况的方法，即同时测量食物的拉伸与流动特性、其在应力作用下的结构响应，以及其在口腔中移动时的行为表现（Hu et al., 2026）。科学家们通常使用流变学方法来研究食品的结构。其中一种常用技术是小幅度振荡剪切法（SAOS），该方法通过在实验室中轻轻来回移动食品样本，让研究人员能够测量硬度、弹性及稳定性等参数，这些参数与我们初次咬下食物时所感受到的特性相似（Hyun et al., 2011; Mezger, 2020）。SAOS尤其有用，因为它能在不破坏食品内部结构的情况下对其进行测试，因此非常适合研究凝胶、面团和乳化液等产品（Ozorio et al., 2025; Huang, Fan, et al., 2025）。然而，我们在咀嚼时食品所承受的应变要大得多，通常比SAOS在实验室中能检测到的应变大100到1000倍（Lucas et al., 2002）。为克服这一局限，大幅度振荡剪切法（LAOS）作为一种有效的手段出现，用于研究非线性变形条件下的材料行为。LAOS能够捕捉到大应变作用下的结构变化，并通过傅里叶谐波分析和利萨如-鲍迪奇表示法生成详细信息，从而反映食品基质中的屈服、破坏和恢复现象（Ewoldt et al., 2008; Wilhelm, 2002）。从LAOS中得到的参数，包括非线性储能模量、非线性损耗响应，以及应变强化或应变弱化行为的指标，相比传统的线性测量方法，能更真实地描述食品在口腔加工条件下的性能（Oyinloye et al., 2025; Oyinloye & Yoon, 2025）。此外，物理过程序列分析法通过识别单个振荡周期内发生的瞬态结构变化，扩展了分析能力，提供了超越传统谐波分析的机制信息（Rogers & Lettinga, 2012; Fontaine-Seiler et al., 2025）。与流变学不同，食品摩擦学关注的是口腔界面处的摩擦相互作用。摩擦学测量利用仿生系统模拟舌头与上颚的相互作用，通过斯特里贝克曲线分析来评估食品材料与口腔表面之间的润滑性能（Sarkar et al., 2017）。在边界润滑、混合润滑和流体动力润滑状态下，摩擦行为与乳状感、粗糙度、滑腻感以及涩味等感官属性相关，而这些属性仅靠整体流变学测量是无法准确预测的（Bongaerts et al., 2007）。加入人工唾液并模拟真实的口腔加工条件，进一步增强了摩擦学行为与感官感知之间的预测关系（Christofilea et al., 2026）。以往的综述通过研究这一测量领域的各个组成部分做出了重要贡献。Chen和Stokes（2012）明确了流变学与摩擦学作为两种互补的食品质地感知机制之间的概念差异，而Stokes等人（2013）则将这一框架扩展到涵盖口腔加工过程和口感体验。Aguilera和Park（2016）以及Kathuria等人（2026）的综述则为不同类型的食品系统提供了基于SAOS的详细分析框架。在LAOS领域，Hyun等人（2011）和Erturk等人（2023）建立了非线性食品流变学的基础分析框架。然而，目前还没有任何综述能够系统地将SAOS、LAOS和食品摩擦学这三种测量方法整合到一个统一的“结构-功能-感官”框架之中。与那些将流变学和摩擦学视为平行但独立的学科，或者仅专注于线性粘弹性表征的以往综述不同，本综述明确地将LAOS所捕捉的非线性变形行为、摩擦学所评估的界面润滑情况以及SAOS所量化的线性网络特性联系起来，勾勒出从食品微观结构到感官感知的假设性、具有机制依据的路径。此外，本综述还独特地引入了机器学习和人工智能工具，将其作为跨领域的分析手段应用于整合后的SAOS-LAOS-摩擦学数据集，并针对临床和工业上具有重要意义的食品类别，如植物基蛋白质、专为吞咽困难人群设计的食品、低脂食品以及3D打印食品结构，对这种集成方法进行了评估。这种多领域整合代表了相较于以往任何单一综述而言的重大进步。如今，越来越多的人认识到，将SAOS、LAOS和摩擦学相结合是实现全面质地表征的有效策略。这类集成方法已被应用于多种食品系统中，包括乳制品乳化液、针对吞咽困难人群设计的食品、发酵食品、植物基肉类替代品以及高内相乳化液（Araiza-Calahorra et al., 2024; Hu et al., 2026; Oyinloye & Yoon, 2025; Poursani & Razavi, 2023）。本综述总结了这些方法领域的最新发展，并评估了它们在质地工程、配方优化以及可持续食品系统开发中的应用前景。表1总结了现有关于SAOS、LAOS和食品摩擦学的综述情况。据我们所知，很少有综述能够同时将SAOS、LAOS和食品摩擦学整合到一个统一的“结构-功能-感官”框架之中。以往的综述大多是对这些方法进行独立研究，要么侧重于线性粘弹性表征，要么研究非线性流变行为，又或者关注界面润滑现象（Chen & Stokes, 2012; Erturk et al., 2023; Stokes et al., 2013）。而本综述则强调了这些方法的互补性，展示了如何通过将它们结合使用，更好地理解食品微观结构、由变形引起的结构破坏、润滑行为以及感官感知。此外，本文还对利用集成流变学和摩擦学数据集进行机器学习辅助的感官预测这一新兴领域进行了深入评估，为食品设计和优化提供了具有前瞻性的框架。本文采用叙述性、综合性综述的形式，而非系统性综述；其目的是综合并深入探讨三个历史上相互独立的测量领域（SAOS、LAOS和食品摩擦学），而非逐一详尽列举或元分析每个领域中已发表的所有研究。相关文献是通过在Scopus、Web of Science和PubMed中进行结构化搜索，再结合在Google Scholar中进行针对性搜索而获得的，搜索时使用了“大幅度振荡剪切”“LAOS”“切比雪夫”“利萨如-鲍迪奇”“食品摩擦学”“斯特里贝克”“口腔加工”“感官预测”“机器学习”以及“食品流变学”等关键词，同时还使用了各类食品相关的术语（如“乳制品”“植物蛋白”“吞咽困难”“3D食品打印”）。搜索范围主要限定在2008年（Ewoldt等人2007年提出切比雪夫分解框架的那一年）之后发表的经过同行评审的期刊文章和综述，尤其重点关注2020年至2026年间的文献，以便了解最新的方法学和机器学习发展动态。在纳入研究的优先级方面，那些提供了关于食品或相关模型系统的原始SAOS、LAOS或摩擦学数据，或者明确将仪器测量结果与感官或质地特征联系起来的研究会被优先考虑；而那些仅针对非食品聚合物系统的研究，只有在其建立了与食品应用直接相关的分析框架（如切比雪夫分解、傅里叶变换流变学）时才会被纳入。由于该领域各实验室之间缺乏标准化的测试流程（设备几何结构、温度、应变/剪切速率范围、人工唾液成分以及接触表面材料等方面存在很大差异），因此本综述并未尝试进行系统性综述和元分析中所采用的那种正式的偏倚风险或质量评分评估；而是在进行跨研究比较时明确指出方法上的差异，同时建议读者查阅原始资料以获取完整的实验细节，避免将某一项研究结果直接套用到其他食品基质或测试条件下。

章节节选
理论基础
在SAOS研究中，我们会施加形式为γ(t) = γ? sin(ωt)的正弦形应变，其振幅处于线性粘弹性区域范围内，对于食品凝胶而言，γ?通常在0.01%到1%之间。相应的应力响应形式为σ(t) = G′(ω)γ?sin(ωt) + G″(ω)γ?cos(ωt)，由此可得到与频率相关的储能模量G′和损耗模量G″。用于描述SAOS特性的主要参数包括复模量|G*| = (G′2 + G″2)?以及相位角。

傅里叶变换流变学
当应变振幅γ?超过线性粘弹性区域后，应力响应会逐渐偏离理想的正弦形态，由于出现更高阶的奇次谐波，开始展现出非线性特征。在这种条件下，应力信号可以表示为：σ(t) = Σ? [σ? sin(nωt + δ?)]，n = 1, 3, 5等。傅里叶变换流变学能够将这种复杂的应力波形分解为各个谐波分量，从而便于进一步分析。

摩擦学基础与斯特里贝克框架
食品摩擦学致力于研究口腔加工过程中在舌头、上颚与食物团之间的摩擦和润滑相互作用，以及这些作用对质地感知的影响（Stokes et al., 2013）。其中一种重要的分析方法是斯特里贝克曲线，它将摩擦系数（CoF = F_fractional / F_normal）与索末菲参数（S = ηV/P）联系起来，其中η表示表观粘度，V代表滑动速度，P则表示接触压力。根据润滑状态的不同，可分为三种润滑机制。

基本原理与概念框架
在口腔加工的初始阶段，包括首次咬合、压缩以及早期结构变形时，食品基质基本保持完整，此时机械阻力决定了食品的硬度、弹性以及结构完整性等特性，因此整体流变学性质对质地感知有着重要影响。而在消费的后期，随着食品结构逐渐破碎并与唾液混合，摩擦学性质的重要性则日益凸显。

机器学习与数据驱动的质地预测
将SAOS、LAOS和摩擦学测量结果整合在一起，可以生成高维数据集，每个样本通常包含20到50个数值描述符，这类数据集非常适合用于机器学习应用。随机森林、支持向量回归和人工神经网络等模型在预测感官属性方面表现出很强的能力，在独立验证数据集中，其R2值可超过0.90，均方根误差低于5%（Lee et al., 2024）。

工业应用与工艺工程意义
通过配备摩擦学附件、PDMS表面处理装置以及集成数据分析软件的紧凑型小型旋转流变仪，将SAOS、LAOS和摩擦学表征方法从研究层面应用到工业质量控制领域正快速发展。将基于机器学习的预测模型直接整合到工艺控制环节中也是一种新兴趋势，例如利用近红外光谱与人工神经网络组合来预测小麦面团的流变特性（Raj et al., 2024），以及多元分析方法的应用等。

局限性、挑战与未来研究方向
尽管在食品流变学和摩擦学领域已经取得了显著进展，但要使这些技术能够被常规用于实现精准的感官预测和合理的食品设计，仍面临诸多挑战。首先，食品系统的组成和结构存在极大差异，这就导致仪器测量结果与感官感知之间存在因食品基质而异的关系（Aguilera & Park, 2016; Krop et al., 2019）。因此，为某一类食品开发的预测模型可能并不适用于其他类别的食品。

结论与未来展望
本综述的主要贡献在于建立了一个整合框架，将线性粘弹性表征（SAOS）、非线性结构响应（LAOS）以及润滑行为（食品摩擦学）与感官感知联系起来。本综述并非将这些技术视为独立的分析工具，而是综合分析了它们在描述不同变形状态和不同尺度下的食品行为时的互补作用。

作者贡献
所有作者都参与了这项研究的构思与设计。文献搜集、数据分析、论文撰写以及修改工作均由各位作者共同完成。所有作者都阅读并批准了最终稿件。

CRediT作者贡献说明
Aadarsh Kumar：写作——综述与编辑，写作——初稿，研究，概念构建。Suruchi Kumari：写作——初稿，可视化，数据整理。苏雷什·库马尔·亚蒂拉朱拉：写作——审阅与编辑、验证、监督、正式分析。参与同意书：不适用。发表同意书：所有作者均已审阅并批准了该手稿的发表。伦理审批：不适用。资金支持：本研究未获得公共部门、商业机构或非营利组织提供的任何特定资助。未引用的参考文献：戴东、刘刘和刘，2020年；拉蒙、熊、德斯梅特、雷姆东克和布雷克曼斯，2021年；萨卡尔、索尔塔纳哈马迪、陈和斯托克斯，2021年；范多恩、蒂莫拉、沃森、摩尔和斯宾塞，2019年。利益冲突声明：作者声明没有已知的可能影响本文所述工作的财务利益或个人关系。致谢：作者衷心感谢丹巴德IIT（ISM）化学工程系的机构支持与基础设施提供。本声明未获得任何外部资金支持。阿达尔什·库马尔|苏鲁奇·库马里|苏雷什·库马尔·亚蒂拉朱拉