ATP降解模型的开发与验证：用于预测变温条件下冷冻大马哈鱼K值的变化趋势

《Journal of Food Engineering》：Development and Validation of an ATP Degradation Model for Predicting K-value Progression in Chilled Greenling under Variable Temperature Conditions

　　

• •
  开发了一个温度响应模型来预测绿鳕的K值变化过程
• •
  预测了在恒定温度和波动温度下的K值变化
• •
  在实际冷藏运输过程中评估了模型的性能
• •
  该模型使用了两个温度依赖的经验有效速率系数
• •
  在不重新优化参数的情况下评估了动态温度历史

引言

全球范围内，海鲜是重要的蛋白质来源，2023年的总捕捞量和养殖产量达到了约1.85亿吨（FAO，2023年）。近年来，冷藏、冷冻技术和国际物流的进步使得海产品的远距离运输成为可能，大大延长了从捕捞到消费的时间和距离。然而，在多步骤的冷链分销过程中，处理过程中的温度变化仍然对产品质量构成风险，产品质量保持和卫生管理仍然是一个挑战（Gillespie等人，2023年）。特别是，在冷藏条件下，温度的暂时升高也会加速品质下降和微生物腐败，从而缩短保质期并增加经济损失（Koutsoumanis，2001年；Gillespie等人，2023年）。此外，包括海水温度上升在内的气候变化预计将影响渔获的时间和数量，引发了对质量控制体系稳定性的担忧（Taylor等人，2015年）。

在这种情况下，需要能够定量追踪时间分辨的温度历史和相关新鲜度变化的海鲜物流技术。传统上，感官评估是评估鱼类新鲜度的主要方法。然而，这种方法依赖于评估者的专业知识和环境条件，限制了其客观性和重复性，尤其是在远距离和国际分销中。作为一种定量替代方法，K值——定义为鱼类死亡后ATP降解产物的百分比——受到了越来越多的关注。自Saito等人于1959年首次提出这一概念以来，K值已被纳入日本农业标准（JAS 0023:2022）（MAFF，2022年），并且通过高效液相色谱（HPLC）分析技术的进步及其在罐装沙丁鱼等加工产品中的成功应用（Vázquez-Ortiz等人，1997年），其实际实用性得到了增强。此外，还开发了其他K值估算方法，包括基于鱼眼液体的紫外-可见（UV-VIS）光谱的间隔偏最小二乘回归（Rahman等人，2016年）和深度学习方法（Wu等人，2022年）。然而，这些方法通常仅适用于特定条件，在物种间的普遍性和对温度波动的适应性方面仍存在挑战，这对实际应用至关重要。

K值是一个基于腺苷三磷酸（ATP）依次不可逆降解为腺苷二磷酸（ADP）、腺苷一磷酸（AMP）、肌苷一磷酸（IMP）、肌苷（HxR）和次黄嘌呤（Hx）的新鲜度指标。这些ATP降解产物在死亡后逐渐形成，受内源性和细菌酶的影响，每种化合物的相对浓度因鱼类种类和储存条件而异（NovoCIB SAS，2016年）。许多研究使用一系列一级反应对该降解过程进行了建模，反应速率常数根据阿伦尼乌斯方程随温度变化（Miki & Nishimoto，1984年；Vilas等人，2017年）。先前报道的静态模型对多种鱼类（包括鲭鱼）具有很高的拟合精度，从物理化学角度验证了K值的适用性。相比之下，其他新鲜度指标，如三甲胺（TMA）、总挥发性碱性氮（TVB-N）和细菌计数，根据鱼类种类、组织类型、加工方法和储存条件表现出显著的变化。因此，基于反应动力学的化学指标，如K值，作为评估鱼类新鲜度的更可靠方法，吸引了越来越多的关注（Dalgaard，2000年；Nga，2002年；Olafsdóttir等人，1997年）。

然而，大多数基于K值的传统模型是在恒温条件下开发的，无法完全处理实际分销过程中遇到的非等温温度波动。在实际的冷链物流中——如船上冰仓储、卡车运输、渡轮运输和冷藏仓储——温度通常以阶梯式或非线性方式变化，显著影响ATP降解产物的降解速率（Fukushima等人，2020年）。为了在这种动态条件下提高准确性，需要一个能够依次结合时间变化温度曲线的混合预测模型。

在微生物研究中，Koutsoumanis（2001年）使用Belehradek型模型动态描述了鱼肌肉中特定腐败菌（假单胞菌）的生长，在非等温条件下实现了高精度的保质期预测。这项研究是一个重要的先例，表明时间依赖的非静态模型适合描述海鲜的新鲜度指标。Wang等人（2025年）比较了K值和IMP浓度的时间曲线，表明IMP浓度峰值和Hx的显著增加在K值的变化中得到了定量反映。此外，还有报道称K值与感官评估和细菌计数之间存在相关性，表明K值从物理化学和微生物学角度都是一个有效的新鲜度指标。

此外，基于人工神经网络（ANNs）的方法已被应用于同时估算多个与新鲜度相关的参数，包括总需氧计数（TAC）、大肠杆菌（EC）和感官评估得分（Liu等人，2015年）。此外，近年来，非破坏性传感技术如高光谱成像、近红外光谱和电子舌和鼻也成为了快速评估工具。例如，已经开发了一种结合可见/近红外高光谱成像与多元分析的鲭鱼新鲜度评估方法（Ryu等人，2024年）。然而，这些技术主要提供当前新鲜度状态的快照，不适合预测未来的变化；此外，它们存在实际限制，包括设备成本高和易受领域变化的影响。

此前，我们使用Atka鲭鱼在0°C等温储存条件下开发了一个简化的ATP降解模型用于K值预测（Shinohara等人，2026年）。其在该非等温条件和实际运输中的适用性尚未得到验证。

本研究的创新之处在于将先前开发的等温ATP降解框架扩展到记录的可变温度历史，并在无需重新优化参数的情况下，在受控验证条件和商业运输中评估其性能。这样的发展可能有助于减少分销过程中的品质下降，并提高海鲜供应链的质量保证（Gillespie等人，2023年）。更广泛地说，系统地评估和控制水产供应链中的化学和病原体危害对于保护生产、贸易和安全消费至关重要（Stentiford等人，2022年）。

本研究旨在将该框架扩展到在变化温度条件下的绿鳕。经验有效速率系数是根据0°C和5°C的数据估算的。然后使用2.5°C和间歇性0–5°C的数据集（用于验证）以及大约830公里的商业运输试验来评估模型性能，无需重新优化参数。

章节片段

材料、试剂和仪器

所有绿鳕（Hexagrammos otakii）样本都经过了活杀处理，并从日本北海道函馆的同一零售商和渔区购买。每次实验中的鱼都是在同一天、同一批中获得的。购买前，鱼已在供应商的水池中适应并保持在12–15°C的温度下。控制储存和运输实验分别在3月和7月进行，因此没有使用同一批次的鱼。性别和生殖器官

使用动力模型的K值理论预测

在这项研究中，我们基于ATP降解产物的逐步、不可逆的一级降解构建了一个数学模型来预测K值。具体来说，假设以下反应顺序：$$$$这里，k₁ 和 k₂ 分别是A消失和IMP转化为H的经验有效速率系数，而不是单个酶催化反应的速率常数。

A和IMP的时间依赖浓度是从以下数据获得的

结论

在所研究的温度条件下，简化的A → IMP → H框架再现了绿鳕的K值变化过程。对于包含24个观测点的2.5°C和间歇性0–5°C条件的综合验证数据集，模型的RMSE为7.976个百分点，MAE为5.180个百分点，R²为0.885。在大约51小时的商业运输过程中，代表性预测值为12.48%，而测量组的中位数为11.97%

CRediT作者贡献声明

Naoto Tsubouchi：撰写 – 审稿与编辑，监督，项目管理。Takeya Yoshioka：资源获取，调查，数据管理。Yuji Shinohara：撰写 – 原始草稿，可视化，方法学，概念化

未引用的参考文献

农业、林业和渔业省，2022年；NovoCIB，2016年；Saito等人，1959年。

利益冲突声明

作者声明他们与本文报告的研究没有利益冲突。

伦理声明

作者声明该研究不涉及人类或动物实验。

数据声明

支持本研究结果的数据可应相应作者的要求提供。

资金

这项工作得到了JSPS “建设日本顶尖研究型大学”（J-PEAKS）计划[授予编号JPJS00420230001]的支持。

利益冲突声明

? 作者声明他们没有已知的可能影响本文工作的财务利益或个人关系。

Yuji Shinohara|Takeya Yoshioka|Naoto Tsubouchi