脉冲电场辅助豌豆芽二胺氧化酶提取：数值建模与基于模型的统计优化

《Innovative Food Science & Emerging Technologies》：Diamine oxidase (DAO) extraction from pea sprouts assisted by pulsed electric field (PEF). Numerical modeling and model-based statistical optimization

　　

二胺氧化酶（DAO）从豌豆芽中的脉冲电场（PEF）辅助提取：数值建模与基于模型的统计优化 摘要 豌豆芽代表了一种可持续的植物源二胺氧化酶（DAO），其提取效率强烈依赖于加工条件。本研究评估了提取时间（10–40 min）、温度（10–37 °C）和脉冲电场（PEF）处理（0–100个脉冲；0.21 kV/cm）对DAO活性（DAOac）、蛋白质含量（PC）和DAO比活度（DAOsac）的联合效应。研究人员应用了多变量统计分析，包括多因素方差分析（multifactor ANOVA）、主成分分析（PCA）和皮尔逊相关性分析，以识别过程变量与响应之间的关系，并确定统计显著效应。此外，研究人员基于机器学习算法（随机森林RF、支持向量机SVM和人工神经网络ANN）开发了预测模型，使用75%的数据集进行训练，并用剩余25%进行验证。这些模型与响应面法（RSM）相结合以优化提取过程。所有变量及其相互作用均显著影响各响应（p < 0.05）。与传统方法相比，PEF处理提高了提取效率，能够在更短的处理时间内获得更高的DAOac、PC和DAOsac值，尤其是在中等温度条件下。在所测试的模型中，随机森林显示出最高的预测精度。过程优化表明，在20 °C下进行50个脉冲的PEF处理可将提取时间缩短50%，同时最大化所有响应变量。这些发现凸显了将新兴技术与数据驱动建模相结合以改进和控制酶提取过程的潜力。

1. 研究背景

二胺氧化酶（DAO，EC 1.4.3.22）是一种铜依赖性胺氧化酶，催化组胺及其他生物二胺的氧化脱氨反应。在植物界中，豆科植物如豌豆（Pisum sativum）富含DAO，其细胞外液中DAO是最丰富的可溶性蛋白之一。与动物及微生物同源物相比，植物源DAO具有更高的催化转换数、更强的组胺底物亲和力以及出色的操作稳定性，使其在生物技术、营养保健品及食品相关应用中极具吸引力。

组胺是一种生物胺，在腌制鱼类、成熟奶酪、发酵产品等食物中含量较高。过量的组胺积累会导致中毒和组胺不耐受。组胺不耐受者因肠道DAO活性降低而出现胃肠不适、偏头痛、鼻炎等症状，外源性DAO补充可缓解这些症状。然而，目前市售的DAO制剂主要来源于猪肾，比活度较低。相比之下，植物源DAO活性更高，伦理顾虑更少且可持续性更好，因此亟需从植物基质中进行高效、可规模化且温和的提取策略。

传统酶提取方法依赖机械破碎和溶剂提取，存在处理时间长、选择性低及热或化学应力导致酶失活的风险。脉冲电场（PEF）作为一种非热技术，通过施加短时高压电脉冲使细胞膜发生电穿孔，增加膜通透性，从而促进胞内物质释放，同时保持酶完整性。与常规提取相比，PEF还可减少处理时间、降低能耗并使用非污染溶剂。然而，酶对温度和电场强度高度敏感，需要温和条件以保持催化活性，这与多酚等热稳定化合物的提取有所不同。

PEF辅助酶提取是一个多变量优化问题，不同过程变量影响多个响应变量。因此，需要能够捕捉变量交互作用的稳健数学工具。经典方法如响应面法（RSM）仍具价值，但当响应变量间强相关且受潜在结构支配时，基于降维的多变量回归更具优势。潜在变量-机器学习（LV-ML）技术可通过将变量投影到正交子空间来解决多重共线性和实验噪声问题。此外，支持向量机（SVM）、随机森林（RF）和人工神经网络（ANN）等机器学习方法在非线性高维数据建模方面表现优异。

尽管PEF在增强生物活性化合物回收方面的应用日益增多，但其用于提高DAO提取的研究尚未见报道。因此，本研究的主要目标是评估PEF预处理与提取温度对豌豆芽DAO回收的联合效应，并利用基于LV-ML和RSM的高级数值建模优化该过程。

2. 研究方法

研究人员采用了以下关键技术方法：

• •
  全因子实验设计：包含4个提取时间水平（10、20、30、40 min）× 4个PEF处理水平（0、20、50、100个脉冲）× 3个温度水平（10、20、37 °C），每个条件9次重复，共计432次独立实验。
• •
  多因素方差分析与主成分分析（PCA）：用于评估过程变量对响应变量的统计显著性及探索变量间的潜在关系。
• •
  潜在变量-机器学习（LV-ML）建模：包括随机森林（LV-RF）、支持向量机（LV-SVM）和人工神经网络（LV-ANN），将三个相关响应变量（DAO_ac、PC、DAO_sac）通过PCA压缩为单一潜在变量后进行建模，75%数据用于训练，25%用于验证。
• •
  响应面法（RSM）集成优化：将最优机器学习模型与RSM结合，实现多目标过程优化。

3. 研究结果

3.1 多因素方差分析

所有过程变量（提取时间、温度、PEF脉冲数）及其交互作用对DAO_ac、PC和DAO_sac均有显著影响（p < 0.05）。PEF处理显著提升了提取效率，尤其在中等温度（20 °C）条件下效果最为明显。

3.2 主成分分析（PCA）

PCA模型成功将原始变量空间压缩为少数潜在变量，揭示了过程变量与响应变量之间的潜在结构关系。Hotelling's T²和残差平方和（RSS）用于异常值检测和模型验证，确保了PCA模型的稳健性。

3.3 机器学习模型比较

在所有三种机器学习模型中，随机森林（RF）表现出最高的预测精度，优于SVM和ANN。这表明RF能够有效捕捉过程变量与响应变量之间的非线性关系。

3.4 过程优化

通过将RF模型与RSM相结合进行多目标优化，确定了最佳工艺条件：在20 °C下施加50个PEF脉冲。该条件可使提取时间缩短50%（从常规的40 min降至20 min），同时最大化DAO_ac、PC和DAO_sac三个响应变量。

4. 讨论与结论

本研究表明，PEF预处理能够显著提升豌豆芽中DAO的提取效率，与传统方法相比，可在更短时间内获得更高的酶活性和蛋白质含量。这种增强效应归因于PEF诱导的细胞膜电穿孔增加了膜通透性，促进了细胞内DAO的释放。值得注意的是，PEF的效果受温度调节，中等温度（20 °C）下效果最佳，这可能是由于高温（37 °C）可能导致部分酶失活，而低温（10 °C）则限制了分子扩散速率。

在建模方面，随机森林（RF）模型的表现优于SVM和ANN，这可能源于RF对高维数据和变量交互作用的天然适应性，以及对异常值和过拟合的鲁棒性。将LV-ML框架与RSM相结合的策略，有效解决了多响应优化问题中响应变量间相关性的挑战。

研究结论：PEF辅助提取结合数据驱动的数值建模方法，为从豌豆芽中高效提取DAO提供了一条可行途径。优化后的工艺条件（50个脉冲、20 °C）可将提取时间减半，同时最大化DAO活性、蛋白质含量和比活度。这些发现凸显了将新兴非热技术与先进建模工具相结合以改进和控制酶提取过程的潜力，为开发可持续、高效的植物源DAO生产方案奠定了基础。