综述：机器学习驱动的食品脂筏开发：磷脂提取、配方设计、制备控制与稳定性预测

《Food Research International》：Machine learning-driven development of food liposomes: Phospholipid extraction, formulation design, preparation control, and stability prediction

　　- 本文综述了机器学习在食品脂质体价值链各环节的应用。- 机器学习优化磷脂提取工艺并提升鉴定精度。- 机器学习促进脂质体配方优化与质量属性预测。- 机器学习辅助微流控技术改善脂质体制备效果。- 标准化数据集的建立与食品体系验证仍是重点方向。## 引言脂质体是食品工业中广泛使用的功能性载体，由磷脂自组装形成双层囊泡结构。这些结构能够包封递送亲水性和疏水性生物活性化合物，从而保护其免受pH、氧气等因素的降解，提高生物利用度和稳定性（Xu, Jiang, et al., 2025; Li et al., 2026）。脂质体的功能效能取决于粒径（PS）、Zeta电位（ZP）、包封率（EE）和稳定性等属性。较小的粒径具有更大的比表面积，有利于肠细胞吸收；然而，过小的粒径可能会降低活性物质的载药能力（Liu et al., 2020）。此外，均匀的粒径分布指数（PDI）与较长的保质期相关，而较高的表面电荷有助于在复杂环境中保持稳定（Huang et al., 2024; Zhao, Liu, et al., 2025）。配方组成和制备工艺决定了这些属性，具有显著的复杂性和多样性（Islam Shishir et al., 2019）。核心磷脂来源包括植物源、动物源和合成衍生物，各来源在组分比例和脂肪酸（FA）链结构方面存在显著差异。同一来源磷脂的提取方法不同，以及甾醇等修饰剂种类和比例的不同，进一步扩展了配方设计空间。此外，制备方法已从传统的薄膜水化法和逆相蒸发法等发展到新兴的微流控技术，相关工艺参数对脂质体性能产生非线性影响（Hajimirzaei et al., 2025）。据报道，脂质体的高维配方空间可达102?至103?（Wang et al., 2021）。配方组成与非线性工艺效应之间的复杂相互作用，为调控脂质体性能、阐明潜在机制和实现规模化生产带来了重大挑战。这种复杂性迫切需要开发更加高效的人工智能建模与优化方法。机器学习（ML），尤其是深度学习（DL），被广泛认为在药物脂质递送系统（包括脂质纳米粒和脂质体）中发挥了变革性作用（Buttitta et al., 2025; Hanna et al., 2025）。在食品领域，机器学习也被广泛应用于掺假检测、智能加工和功能成分预测（Gao et al., 2025; Yang et al., 2024; Zhang et al., 2024）。凭借其强大的非线性拟合能力、高维特征提取能力和复杂关系建模能力，机器学习为食品脂质体的研究、开发和生产提供了新的技术路径。在原材料方面，机器学习可优化磷脂提取工艺，实现磷脂基质的快速精确鉴定（Noreldeen, 2025; Rangel Pinto et al., 2024）。在配方设计方面，机器学习尤其是深度学习，能够整合磷脂组成、包封物质特性和工艺参数，优化脂质体配方并预测关键质量属性（Cardoso-Daodu et al., 2022; Han et al., 2023）。在生物活性化合物筛选方面，机器学习扩展了适合脂质体包封的候选化合物库（Zhang, Zheng, et al., 2025）。在制备工艺方面，机器学习与微流控技术的结合有望实现均匀稳定脂质体的高通量生产（Jia et al., 2025; Wang et al., 2024）。此外，机器学习能够准确预测脂质体的物理和化学稳定性，为其储存和应用提供科学依据。近年来，许多优秀的综述文章探讨了食品脂质体的制备方法，或聚焦于其胃肠道命运（Liu et al., 2020），或关注其在特定领域的应用，如保鲜（Xu, Jiang, et al., 2025; Li et al., 2026）和营养健康（Khorasani et al., 2018）。然而，机器学习在整个食品脂质体价值链中应用的系统性综述尚付阙如。因此，本文综述了机器学习在食品脂质体生产各阶段的应用。此外，结合脂质体在食品工业中营养健康和保鲜领域的常见应用，探讨了机器学习推动食品脂质体产业发展的潜力、趋势和挑战，旨在支持食品脂质体产业的持续发展（图1）。## 章节摘要### 磷脂来源与组成的多样性磷脂的自组装形成脂质体的脂质双层膜。天然磷脂通常是多种脂质类别的复杂混合物，主要包括磷脂酰胆碱（PC）、磷脂酰乙醇胺（PE）、磷脂酰肌醇（PI）、磷脂酸（PA）、磷脂酰丝氨酸（PS）、磷脂酰甘油（PG）、溶血磷脂（LPLs），以及在某些动物来源材料中还包含鞘磷脂（SM）（Bot et al., 2021）。根据其来源，天然磷脂可大致分为植物来源的……### 传统方法与超临界CO?辅助制备传统脂质体制备方法，包括薄膜水化法、逆相蒸发法和溶剂注入法，通常涉及将磷脂（通常与胆固醇一起）溶解在有机溶剂中。随后通过蒸发、稀释或透析去除或减少溶剂。当脂质分子与水相接触时，在疏水相互作用驱动下自发自组装形成封闭囊泡结构。为了获得具有更……### 脂质体研究中的机器学习算法机器学习算法的选择应由研究任务、数据集规模、特征结构和输出目标共同决定。食品脂质体研究中常见数据包括配方组成（如磷脂组成和负载物特性）、制备参数、色谱或质谱信号以及显微图像。不同类型的数据对模型拟合能力、特征提取、样本量等方面提出不同的要求……### 磷脂提取的优化超临界流体萃取（SFE）是一种日益重要的绿色技术，已被广泛应用于磷脂提取。工艺参数，包括提取温度、提取时间、压力和共溶剂含量，强烈影响脂质得率和纯度，从而最终影响脂质体性能。因此，SFE条件的优化受到了广泛关注。目前，机器学习在天然产物SFE中的应用主要集中在预测提取……### 数据可用性有限与覆盖范围不足尽管脂质体领域已积累了大量实验研究，但可直接用于机器学习建模的高质量数据仍然有限。现有数据集通常规模小、分散且高度异质。个别研究往往仅涵盖单一磷脂来源、特定包封化合物、有限的配方范围或单一制备平台，因此无法充分代表复杂的配方-工艺空间。此外，关键……### 结论食品脂质体正日益从经验优化递送系统向数据驱动和理性设计平台转变。本综述总结了机器学习在支持磷脂提取与鉴定、配方设计、制备控制、生物活性化合物筛选和稳定性预测方面的作用。现有研究证明了机器学习在捕捉脂质组成、负载物特性、加工参数与关键质量属性之间非线性关系方面的价值。### CRediT作者贡献声明**李双双：** 撰写—初稿、软件、调查、概念构思。**Mostafa Gouda：** 调查、概念构思。**马欣欣：** 软件、概念构思。**Isobe Kazuhiro：** 调查、概念构思。**Handa Akihiro：** 调查、概念构思。**黄曦：** 撰写—审阅与编辑、概念构思。**蔡昭霞：** 软件、调查、概念构思。**金国峰：** 撰写—审阅与编辑、指导、概念构思。**盛龙：** 撰写—审阅与编辑……### 未引用参考文献Lon?ar et al., 2024### 利益冲突声明作者声明他们没有已知的可能影响本文所述工作的竞争性经济利益或个人关系。### 致谢本研究得到了中国国家重点研发计划（2025YFE0117800）和北京工商大学食品风味与健康交叉创新开放项目（FFHCI-2026053）的支持。**作者：** 李双双 | Mostafa Gouda | 马欣欣 | Isobe Kazuhiro | Handa Akihiro | 黄曦 | 蔡昭霞 | 金国峰 | 盛龙