一种考虑存储时间的化学计量深度学习模型，用于预测添加了海藻酸包埋葡萄籽提取物的开菲尔中的酚类保留量及抗氧化能力

《Foods》：Storage-Time-Aware Chemometric Deep Learning Model for Predicting Phenolic Retention and Antioxidant Capacity in Kefir Enriched with Alginate-Encapsulated Grape Seed Extract

　　

摘要

开菲尔是一种适合用于传递植物源生物活性物质的发酵乳制品，但在冷藏储存过程中保持并预测酚类化合物的含量仍是一项技术挑战。本研究构建了一种考虑储存时间的化学计量深度学习模型，用于评估添加了游离型及海藻酸包封型黑葡萄籽提取物的开菲尔中的酚类保留情况与抗氧化能力。共制备了五种配方，包括普通开菲尔、含有1%和3%游离提取物的开菲尔，以及含有1%和3%海藻酸包封提取物的开菲尔。这些样品被储存在4°C条件下，在第1天、第7天和第14天分别对其物理化学性质、质地、颜色以及生物活性进行检测。研究以总酚含量和特罗洛克斯当量抗氧化能力作为目标指标，同时将十项质量描述指标转化为潜在的化学计量特征，并按储存时间顺序排列。随后使用Crested Porcupine优化器对该深度学习模型进行优化，并与基准模型及经过部分删减的模型进行比较。海藻酸包封技术能够形成结构完整的微粒，且包封效率较高，有助于提升储存过程中的酚类保留率。所提出的模型能够最准确地同时预测总酚含量与抗氧化能力，其在降低误差以及使实测值与预测值更为接近方面，均优于未经优化或仅部分删减的模型。残差分析、正态性检验以及Bland–Altman分析进一步证明了该预测结果的可靠性。总体而言，研究结果表明，将海藻酸包封技术与考虑储存时间的化学计量深度学习方法相结合，为监测功能性开菲尔中的生物活性稳定性提供了一种实用策略，同时也为富含酚类副产品的发酵乳制品建立了可重复使用的建模框架。