骆驼奶中热诱导胶体尺寸变化的动力学与机器学习建模

《Colloids and Interfaces》：Kinetic and Machine Learning Modeling of Heat-Induced Colloidal Size Changes in Camel Milk

　　

本研究通过监测等温加热（60–90 °C，最长60分钟，四个温度水平，25个时间-温度条件）期间脱脂骆驼奶中体积加权平均粒径（d_4,3）的变化，研究了热诱导蛋白质聚集。d_4,3随时间和温度的显著增加证实了明显的热聚集。反应动力学采用广义指数增长模型描述，该模型在中间温度下拟合良好（例如，70 °C时决定系数（R²）= 0.901，80 °C时R²=0.959），但在较低（60 °C）和较高（90 °C）极端温度下出现偏差，反映了更复杂的行为。对速率常数进行Arrhenius分析得到活化能为50.61 kJ mol^?1，低于通常报道的牛乳体系的值，表明骆驼奶蛋白质聚集所需的热输入较少。同时，一个以人工神经网络（ANN）实现的机器学习模型从时间-温度输入中预测d_4,3，具有高精度（训练、验证和测试中R² > 0.97），无需机械假设即可捕捉非线性模式。动力学和ANN方法共同提供了对骆驼奶蛋白质热敏感性的互补见解，并提供了预测工具以支持乳制品应用中热处理、配方和工艺优化的控制。

热加工是乳制品制造中确保微生物安全和延长货架期的基础，但不可避免地影响牛奶的胶体结构，尤其是酪蛋白胶束和变性的乳清蛋白。加热可引发蛋白质解折叠、巯基-二硫键交换和蛋白质间桥接，从而改变粒径分布，进而影响粘度、稳定性、换热器结垢和终产品质地。因此，理解加热过程中粒径的变化并能够从时间-温度历史预测这些变化，对于合理工艺设计和产品质量控制至关重要。由于骆驼奶的蛋白质体系与牛乳不同（缺乏β-乳球蛋白但含有α-乳白蛋白和其他血清蛋白，且矿物质含量更高），其热响应可能不同。然而，现有研究大多关注终点特性（如凝胶化、质地和流变学），对实际加工温度下胶体粒径随时间变化的关注不足。本研究旨在通过量化等温加热下体积加权平均粒径（d_4,3）的进展，结合动力学建模和人工神经网络（ANN）模型，提供对骆驼奶蛋白质热敏感性的定量见解，为热处理优化提供工具。论文发表在《Colloids and Interfaces》。

研究人员为开展研究使用了几个主要关键技术方法：实验设计采用商业巴氏灭菌脱脂骆驼奶（当地购买，代表工业基线材料），在等温加热（60–90 °C，最长60分钟，四个温度水平，25个时间-温度条件）下进行，通过激光衍射（Mastersizer 3000）测量粒径分布，以d_4,3作为响应变量。动力学建模使用广义指数增长模型（d_4,3 = d₀ + a(1 - e^-ktn)）拟合各温度下的时间变化，并通过Arrhenius方程分析温度依赖性和活化能（E_a）。机器学习建模采用人工神经网络（ANN，多层感知器），以时间和温度为输入，d_4,3为输出，使用Python（NumPy、pandas、SciPy、scikit-learn等）实现，将84个数据点随机分为训练（70%）、验证（15%）和测试（15%）集。

研究结果：
3.1 粒径分布：通过监测粒径分布（PSD）的变化，发现加热（60–90 °C，60分钟）导致分布曲线从窄单峰逐渐出现次级峰并展宽，尤其在高温下。双因素方差分析（ANOVA）表明温度、时间及其交互作用对所有粒径参数（d₁₀、d₅₀、d₉₀、d_3,2、d_4,3和跨度）均有显著影响（p < 0.05），效应量极大（偏η² > 0.90）。温度对集中趋势参数（d₅₀、d_3,2、d_4,3）变异解释最大，时间与温度交互作用对跨度影响最敏感。d_4,3在60 °C几乎不变，70和80 °C适度增长，90 °C急剧增加，反映了快速聚集机制。这些趋势与血清蛋白与酪蛋白胶束的相互作用、胶体磷酸钙平衡变化以及骆驼奶较高矿物质含量（钙、磷、镁）促进胶束间聚集的机制一致。

3.2 d_4,3的等温加热动力学建模：使用广义指数增长模型成功捕捉了d_4,3的动力学。模型在70 °C和80 °C拟合良好（R² = 0.901和0.959），但在60 °C（R² = 0.608）和90 °C（R² = 0.367）拟合较差，表明极端温度下出现更复杂的行为（如二次聚集和矿物质转化）。参数分析显示：振幅参数a从60 °C的0.50 μm急剧上升到90 °C的28.77 μm，表观速率常数k从0.17增加到0.75 min^?1，时间指数n固定为0.75（非线性减速增长）。对d₀和a的线性拟合提高了预测范围。Arrhenius分析（R² = 0.962）得到活化能（E_a）为50.61 kJ mol^?1，远低于牛乳体系（如凝乳酪蛋白胶束约185 kJ mol^?1，热诱导凝固约140 kJ mol^?1），表明骆驼奶胶体聚集所需热输入更少，与其独特的蛋白质组成和较高矿物质含量降低能垒一致。

3.3 ANN建模：采用ANN模型预测d_4,3，在训练、验证和测试集上分别达到R² = 0.994、0.986和0.977，预测值与实验值紧密吻合，表明模型稳健且泛化能力强。与传统动力学模型相比，ANN无需机械假设，能灵活捕捉蛋白质解折叠、胶束结合和矿物质辅助聚集的非线性效应。3D曲面图显示d_4,3随时间和温度非线性增长，在高条件下加速后趋于平缓。

3.4 多项式回归建模：基于多项式回归方程（d_4,3 = 0.740 + 0.0017T + 0.0019t + 0.0002Tt - 0.0001T² - 0.0001t²，R² = 0.898），再现了主要趋势，但在早期时间点和极端温度下存在偏差，初始下降是边界伪影。该模型提供了简洁的插值工具。

讨论部分总结：动力学模型和ANN提供了互补工具：动力学提供机械洞察，ANN提供准确数据驱动预测。该组合方法可支持热处理优化，改善产品质量和效率。结论部分翻译：本研究将实验与计算建模相结合，以理解骆驼奶胶体的热行为。广义指数模型有效描述了等温加热下粒径（d_4,3）的增长，速率常数遵循Arrhenius行为，活化能为50.61 kJ mol^?1（R² = 0.962），确认了温度依赖性。ANN模型在所有数据集上准确预测了d_4,3（R² > 0.97），捕捉了过程条件与聚集结果之间的非线性关系。因此，动力学建模和机器学习提供了互补工具：动力学提供机械洞察，而ANN提供准确的数据驱动预测。这种组合方法可以支持热处理优化，对乳制品制造中的产品质量和效率具有实际益处。讨论的机械解释（包括蛋白质驱动的聚集和潜在的矿物质介导效应）是从粒径演变推断的，并得到文献支持，而非直接测量，因此应视为合理的假设。