耐贮藏食品加速货架期测试（ASLT）的替代方法：以干虾为例

《Food Chemistry: X》：Alternative approaches for accelerated shelf life testing (ASLT) of a shelf-stable food product: A case study of dried shrimp

　　

基于加速货架期测试（ASLT）结合基于主成分分析的机器学习（ML-ASLT），以及高光谱成像与ML-ASLT集成（HSI-ML-ASLT）的食品货架期评价替代方法被开发出来，并与传统ASLT（C-ASLT）进行比较。干虾在15、30和40?°C下储存，并在储存期间监测感官特性（包括气味、颜色和总体可接受性）的变化。对于干虾的理化性质进行了监测，以描述感官属性的变化。使用气相色谱-质谱联用（GC–MS）分析了初始和不可接受的干虾的挥发性化合物。样品还在400–1000?nm波长范围内使用HSI进行分析。基于PCA的机器学习被应用于ASLT和HSI-ASLT，以确定质量退化速率常数和货架期。ML-ASLT给出的预测货架期分别为9.87、6.13和3.34?wk.，而HSI-ML-ASLT对于储存在15、30和40?°C下的干虾给出的货架期分别为9.71、6.51和3.31?wk.，与实际货架期（10、6和3?wk.）相比，比C-ASLT（10.29、6.80和3.49?wk.）更准确。通过同时评估多种质量属性，基于PCA的机器学习模型使ASLT方法能够实际预测干虾货架期。此外，HSI-ML-ASLT提供了一种快速、简单且无需化学试剂的技术，以阐明食品货架期评估。

**耐贮藏食品加速货架期测试的替代方法——以干虾为例的论文解读**

货架期评价是保障食品品质和减少因不合理拒收造成食物浪费的关键环节。对于耐贮藏食品或干燥食品，其货架期评价通常耗时较长。加速货架期测试（accelerated shelf life testing, ASLT）通过将食品置于极端储存条件以加速品质劣变，进而建立动力学模型并预测货架期，可显著缩短测试时间。然而，传统ASLT（conventional ASLT, C-ASLT）的经验模型往往仅基于单一品质属性进行货架期终点判断，而食品组成复杂，其品质退化是多变量共同作用的过程，仅监测单一关键指标难以全面反映实际品质变化。尽管多变量动力学模型已被应用于低脂UHT奶、鲜切生菜等食品，但仍需大量样品制备、理化分析及化学试剂，操作繁琐耗时。高光谱成像（hyperspectral imaging, HSI）是一种快速、无损、无需复杂前处理和化学试剂的新型检测技术；机器学习（machine learning, ML）作为人工智能的分支，可同时整合多因素进行预测，并擅长处理高维复杂数据。然而，将基于主成分分析（principal component analysis, PCA）的机器学习与ASLT结合，或将HSI与ML-ASLT集成用于干虾这类耐贮藏食品的货架期评估，此前尚无报道。因此，研究人员开发了ASLT辅助基于PCA的机器学习（ML-ASLT）和HSI集成ML-ASLT（HSI-ML-ASLT）两种替代方法，并与C-ASLT及实际货架期进行比较。该研究成果发表于《Food Chemistry: X》，由Ubonrat Siripatrawan、Veeranuch Hwansena、Marisa Kongboonkird、Yoshio Makino等研究者完成。

研究人员以干虾为研究对象，将其储存于15、30和40?°C下12周，定期监测虾青素含量、硫代巴比妥酸反应物（thiobarbituric acid reactive substances, TBARS）水平、总挥发性盐基氮（total volatile basic nitrogen, TVB-N）含量、CIELAB颜色参数、挥发性化合物、感官评分（气味、颜色、总体可接受性）及HSI光谱。基于感官评分和HSI光谱数据，分别采用PCA进行降维，以第一主成分得分随时间的变化拟合零级或一级动力学，进而计算货架期。结果表明，ML-ASLT预测的货架期在15、30和40?°C下分别为9.87、6.13、3.34?wk.，HSI-ML-ASLT给出的相应货架期为9.71、6.51、3.31?wk.，二者均比C-ASLT（10.29、6.80、3.49?wk.）更接近实际货架期（10、6、3?wk.）。同时纳入多种品质属性使PCA-based ML模型能更实际地预测干虾货架期，而HSI-ML-ASLT则提供了一种快速、简便且无需化学试剂的货架期评估新途径。

在研究过程中，样本虾来源于泰国博他仑府（Phatthalung Province），经清洗、盐水浸泡和120?°C热风干燥后