发酵大豆乳清基豆腐在冷链条件下基于动力学与机器学习的品质变化规律及预测建模

《Foods》：Quality Variation Patterns and Predictive Modeling of Fermented Soybean Whey-Based Tofu Under Cold-Chain Conditions Using Kinetic and Machine Learning Approaches

　　

研究人员以预包装发酵大豆乳清基豆腐（FSW-tofu）为对象，模拟超市与电商两类典型冷链运输的动态温度条件（4–20 °C），监测35 d内总活菌数（TVC）、嗜冷菌数（PBC）、硬度、弹性、咀嚼性及持水力（WHC）的变化，并建立融合机理动力学与机器学习的混合预测模型。结果表明，温度波动幅度与频率均显著影响其微生物增殖与质构劣变；电商模式下20 °C暴露使TVC在17 d达5 lg CFU/g，早于超市模式（27 d），但超市模式持续低温胁迫导致蛋白凝胶网络降解更深，同等TVC阈值下质构劣变更严重。以Baranyi–Roberts–Ratkowsky非等温生长模型与品质响应函数为基础框架，采用随机森林与梯度提升树进行残差校正，构成机理—数据双驱动耦合模型。独立验证集R2 > 0.89且RMSE较低，证实模型泛化性与精度良好。该方法兼顾机理可解释性与机器学习准确性，为FSW-tofu冷链品质管理提供快速评估工具。

研究背景与立项依据

发酵大豆乳清基豆腐（FSW-tofu，以豆腐加工副产乳清经发酵后作凝固剂制得的传统豆制品）因清洁标签属性与天然营养保留优势市场占比上升，但其水分>80%、蛋白6–8%、pH 5.0–5.5的体系极易滋生腐败菌，且对冷链温度波动敏感。现有预测微生物学多基于等温或单一智能算法，未系统解决动态非等温下“温度记忆效应”与微生物—质构—持水协同劣变问题，针对FSW-tofu尚缺机理与数据融合模型。研究人员据此以预包装FSW-tofu（含2 g/L壳寡糖COS、85 °C反压灭菌30 min的特定保藏配方）为对象，模拟超市与电商冷链温度轨迹，旨在揭示劣变驱动机制并构建可解释的动力学—机器学习混合预测工具。论文发表于《Foods》。

主要关键技术方法

研究人员设计6组动态温度轨迹（超市S1–S3、电商E1–E3，4–20 °C区间），以S1/S2/E1/E2为训练集、S3/E3为独立验证集，按轨迹而非单点拆分数据；微生物指标测定TVC（PCA 37 °C 48 h）与PBC（PCA 4 °C 3 d）；质构经TPA模式测硬度、弹性、咀嚼性；WHC经离心法计算；机理层采用Baranyi–Roberts一级模型耦Ratkowsky平方根二级模型描述非等温生长，品质响应以TVC为驱动变量构建硬度/咀嚼性/弹性方程、WHC以时间双指数衰减描述；数据层以随机森林与梯度提升树学习机理预测残差，特征含时间、温度、机理预测值、温度变化率及交互项，超参交叉验证优化。

研究结果

3.1 不同物流模式对微生物的影响

S1/S2/E1/E2组TVC在35 d达6.32–7.35 lg CFU/g，达5 lg CFU/g阈值时间分别为24/27/20/17 d；E2因第4 d 20 °C暴露缩短滞后期、初始菌量抬升。PBC趋势类似但增幅较小，后期E2嗜冷菌比例上升，表明低温段嗜冷菌逐步主导。COS浸泡与反压灭菌将初始TVC压至<0.05 lg CFU/g，但波动仍显著促增殖（p<0.05）。

3.2 不同物流模式对质构的影响

四组硬度35 d降幅36.2%–42.4%，E2降幅最大、S2最缓；咀嚼性E2降53.3%；弹性E2降51.4%。质构下降源于微生物蛋白酶降解7S/11S蛋白、破坏疏水/二硫/氢键，及脂质氧化自由基致蛋白交联断裂。电商模式高温段加速代谢，超市低温抑制但长期低温致“慢性”水解更彻底。

3.3 不同物流模式对WHC的影响

WHC随储存单调下降，E2 35 d降至47.04%，S2最缓；E1前期缓后期加速，印证单次高温暴露具长期负面记忆。WHC下降由蛋白网络物理持水能力丧失与 immobilized water 向 free water 转化共同导致。

3.4 微生物生长动力学与品质响应模型构建

3.4.1 以Baranyi–Roberts（含N_max、μ_max、Q₀、h₀）耦Ratkowsky（μ_max(T)=b(T-T_min)^1.5）拟合训练集，TVC的T_min=0.47 °C、PBC的T_min=5.66 °C，参数置信区间窄；二级模型指数取1.5以抑短高湿放大。

3.4.2 硬度H_t=H₀exp(-k_H(N_t-N₀))，k_H=0.1967即TVC每升1 lg硬度降约19.7%；咀嚼性引入硬度传递项k_CH≈1；弹性综合微生物/硬度/WHC/时间/温度多项M函数；WHC以W_t=W_eq+(W₀-W_eq)(exp(-k_Wt)+k_W2exp(-2k_Wt))描述（时间累积优于微生物瞬时值，R²=0.94）。

3.5 混合模型建立与验证

机理预测+RF/GBDT残差校正：?_j=f_kin,j(t,T)+g_j(X)。S3/E3验证TVC R²=0.8924/0.9395，PBC R²=0.9236/0.9863，RMSE_TVC=0.5594–0.7956 lg CFU/g，B_f=0.9476–1.2553，A_f=1.0389–1.3009；质构与WHC各指标R²>0.93，MAPE_{硬度/弹性}=2.0%–3.7%，训练与验证性能无衰减，证无过拟合。

3.6 锚定TVC阈值的快速质构评估指标

以TVC=5 lg CFU/g为腐败阈值，同阈值下E3弹性0.737高于S3的0.642——电商组菌量先跨阈、蛋白网络降解尚浅；超市组长时低温蛋白酶慢性水解致同菌量下质构更差。故研究人员提出“动态”评估法：依批次温史用混合模型反算达阈时理论质构，而非固定临界值。

讨论与结论翻译

讨论指出，FSW-tofu劣变是温度波动幅度/频率经微生物增殖→蛋白酶降解→凝胶网络破坏→质构与WHC下降的链式过程；同TVC阈值下质构损伤差异暗示腐败菌组成而非仅总数决定劣变程度，需后续种水平鉴定与代谢组补充。结论：本研究针对含2 g/L COS、85 °C/0.1 MPa/30 min处理的预包装FSW-tofu，模拟超市与电商动态冷链，揭示温度波动对微生物与质构的差异化驱动；耦合Baranyi–Roberts–Ratkowsky非等温动力学与RF/GBDT残差校正构建混合模型，独立集R²>0.9；以5 lg CFU/g为锚定提出温史依赖的动态质构快评法。该工作为FSW-tofu及类似生鲜豆制品冷链监控与剩余货架期预测提供兼具机理可解释性与精度的决策工具，结论仅直接外推至同配方处理产品，未处理鲜样需另验。