腰果壳液通过绿色提取、预测优化和代谢组学验证转化为食品级酚类生物活性物质

《Applied Food Research》：Valorization of cashew nut shell liquid into food-grade phenolic bioactives through green extraction, predictive optimization, and metabolomic validation

　　

腰果壳液（CNSL）是腰果行业富含酚类的副产物，是一种有前景的可再生资源，可用于回收高价值生物活性化合物，特别是腰果酸（anacardic acid），它具有强效的抗氧化、抗菌和抗炎特性，适用于功能食品应用。然而，能够保持这些热不稳定化合物化学完整性的高效提取方法仍然有限。本研究利用响应面法（RSM）优化了CNSL的微波辅助提取（MAE）和超声辅助提取（UAE），并将其预测性能与人工神经网络-遗传算法（ANN-GA）模型进行了比较。提取效率基于总酚含量（TPC）和产率进行评估，并进一步通过傅里叶变换红外光谱（FTIR）和基于液相色谱-高分辨质谱（LC-HRMS）的代谢组学对优化提取物进行表征，以确保目标营养保健品的保存。RSM对MAE和UAE均显示出良好的模型拟合，R²值分别为0.9355和0.9037。ANN-GA提供了比RSM更高的预测准确性，特别是在MAE中，优化条件预测TPC为2050.82 mg GAE/100 g，产率为24.69%，预测误差仅为0.50%。MAE的样品装载量也是UAE的两倍。FTIR证实，强化提取并未引起腰果酸的热脱羧，保留了与冷提取基线相同的化学谱。代谢组学分析显示，虽然主要生物活性物质保持稳定，但MAE在保留更高相对丰度的完整腰果酸方面优于UAE。总体而言，MAE成为一种高效且可规模化的绿色提取方法，用于将腰果副产物增值为高质量的功能食品配料。

## 论文解读：腰果壳液绿色提取、预测优化与代谢组学验证研究

### 研究背景与问题

腰果（*Anacardium occidentale* L.）是全球热带地区广泛种植的重要经济作物，2023年全球产量约430万吨。腰果加工过程中产生大量副产物——腰果壳（CNS），通常被丢弃或作为低品位燃料焚烧，释放挥发性有机化合物（VOCs）和酚类污染物。然而，腰果壳富含腰果壳液（CNSL），这是一种独特的天然酚类脂质来源，主要成分包括腰果酸（anacardic acid）、卡多酚（cardol）和卡丹酚（cardanol）。其中，腰果酸具有强效抗氧化、抗菌和抗炎活性，是制药和功能食品领域的高价值前体。在食品工业中，这些酚类脂质作为合成防腐剂和抗氧化剂的天然替代品需求日益增长。

然而，高效回收这些生物活性化合物面临技术挑战。传统提取方法（如索氏提取和浸渍）存在处理时间长、溶剂消耗大、产率低等局限。更关键的是，酚类物质的热不稳定性使传统高温方法不适用：腰果酸在180-200°C以上易发生脱羧反应生成卡丹酚，从而丧失其生物活性。因此，亟需开发能最大化产率同时保持热不稳定生物活性物化学完整性的“绿色”提取技术。

近年来，微波辅助提取（MAE）和超声辅助提取（UAE）作为传统技术的替代方案脱颖而出。MAE利用介电加热在植物基质内产生快速体积热，通过离子传导和偶极旋转加速传质；UAE依赖声空化效应，微气泡破裂产生局部剪切力和冲击波，机械破坏细胞壁。然而，两者在CNSL这类黏稠脂质基质中的比较效率尚不明确。此外，复杂基质的提取动力学常呈现非线性行为，受变量间交互作用影响。传统响应面法（RSM）虽能建模线性和二次关系，但受限于二阶多项式方程，难以捕捉复杂非线性依赖。人工神经网络（ANN）无需预设数学模型，可学习非线性关系，结合遗传算法（GA）进行全局优化时，混合ANN-GA模型在生物过程工程中表现出更优的预测精度。

因此，本研究旨在：优化MAE和UAE提取CNSL以最大化总酚含量和产率；比较RSM和ANN-GA模型的预测性能；通过FTIR和LC-HRMS表征优化提取物，确保目标代谢物保存。该工作为腰果农业副产物中高价值酚类脂质的绿色提取和代谢保存提供了全面验证的计算框架，支持天然食品添加剂的可持续生产。论文发表在《Applied Food Research》。

### 主要技术方法

研究人员采用Box-Behnken设计（BBD）进行实验设计，以提取时间、样品重量和温度为自变量，总酚含量（TPC）和产率为响应变量，分别建立RSM和ANN-GA模型。ANN采用3-4-2拓扑的多层感知器（MLP）结构，使用Levenberg-Marquardt算法训练，并与遗传算法耦合进行优化。通过FTIR分析官能团完整性，通过LC-HRMS（基于Orbitrap的高分辨质谱）进行非靶向代谢组学分析，结合主成分分析（PCA）和偏最小二乘判别分析（PLS-DA）进行化学计量学评估。样本来源：CNSL样品取自印度尼西亚Gunungkidul地区的腰果工业。

### 研究结果

#### 3.1 RSM建模：3D曲面分析与参数交互效应

通过RSM分析，MAE的TPC响应由简化三次模型拟合（R²=0.9355），其中提取时间与样品重量的立方交互项（AB²）显著，表明酚类回收存在非线性依赖；而MAE产率遵循简化线性模型，仅受样品重量负效应和温度正效应影响。UAE的TPC和产率均由简化二次模型描述：TPC受样品重量与温度的显著负交互作用（BC）影响；产率表现出时间（A²）和温度（C²）的二次效应，呈抛物线关系。

#### 3.2 ANN模型分析

优化后的ANN模型在MAE和UAE数据集上均表现出优异性能。MAE模型的最佳验证均方误差（MSE）为6505.05，UAE模型为10078.20。回归分析显示，MAE模型整体相关系数R=0.99776，UAE模型R=0.99822，数据点紧密聚集在回归线附近，表明预测值与实验值高度一致。

#### 3.3 所开发RSM与ANN模型的比较

在优化条件下，MAE可处理两倍于UAE的样品重量（3.0 g vs 1.5 g），且预测TPC和产率更高（2050.82 mg GAE/100 g, 24.69% vs 1985.98 mg GAE/100 g, 22.98%）。ANN-GA模型的误差指标（MSE、RMSE、MAPE）均低于RSM，表明其预测偏差更小。

#### 3.4 RSM与ANN模型预测与验证

实验验证表明，ANN-GA预测MAE的TPC相对误差仅为0.50%，远优于RSM的4.11%；UAE中ANN-GA相对误差为17.26%，RSM为25.59%。在产率预测上，两者误差均低于7%。

#### 3.5 优化提取物表征

##### 3.5.1 FTIR表征与结构完整性

FTIR光谱显示，MAE、UAE和冷浸提（maceration）三种提取物的化学官能团图谱几乎一致，均保留了腰果酸的特征峰，特别是1644 cm^-1处的羧酸C=O伸缩振动峰，证实未发生热脱羧。这表明强化提取未引起目标酚类脂质的结构降解。

#### 3.6 代谢组学分析

PCA显示三种提取方法样品在得分图上明显分离，PC1和PC2共解释94.2%方差。PLS-DA进一步验证了组间差异，模型R²和Q²均达0.99。VIP分析识别出63个VIP>1的差异特征，其中1,2,3,4-四-(3,4,5-三羟基苯甲酰基)-β-D-吡喃葡萄糖是主要区分代谢物，在冷浸提组中丰度最高。对腰果酸相对丰度的比较显示，冷浸提组最高，MAE组次之，UAE组最低，表明MAE在保留完整腰果酸方面优于UAE。

### 讨论与结论

讨论部分指出，MAE的优越性源于其体积加热机制，微波能量能穿透高固体负载，而UAE的声波在高固液比下易衰减。ANN-GA模型的高预测精度归因于其多层感知器架构能捕捉非线性提取动力学。FTIR结果证实了腰果酸羧基的完整保存，这对维持其生物活性至关重要。代谢组学分析揭示了不同提取方法对次要代谢物谱的“选择性压力”，MAE在保留主要目标物同时，减少了复杂共提取物的降解。

研究结论：本研究成果优化了CNSL中生物活性化合物的绿色提取，用于食品级应用。MAE在效率上显著优于UAE。由ANN-GA驱动的MAE方法实现了更高的TPC和总产率，同时处理两倍的样品容量。此外，ANN-GA模型始终表现出比传统RSM更高的预测精度。FTIR光谱证实两种方法均保持了目标酚类脂质的结构完整性，未引起热降解。虽然FTIR分析显示提取物的核心结构完整性得以维持，但高分辨率代谢组学分析显示，机械能和热能从根本上改变了更广泛的化学谱。重要的是，与UAE的剧烈空化相比，MAE在保留主要目标物腰果酸的更高相对丰度方面表现更优，同时也最大限度地减少了复杂次要共提取物的降解。这些发现确立了MAE作为一种高效且可工业规模化的技术，用于腰果农业工业废弃物的增值化。该综合框架支持可持续生产高质量CNSL，作为人类消费的功能食品添加剂和天然抗氧化剂。