机器学习解锁儿童植物蛋白:一种平衡消化率(BD)与苦味强度(BI)的多目标优化方法

《Journal of Future Foods》:Machine Learning Unlocks Pediatric Plant Protein: A Multi-Objective Approach to Balancing Digestibility and Bitterness

【字体: 大 中 小 】 时间:2026年03月05日 来源:Journal of Future Foods 10.6

编辑推荐:

  摘要:儿童营养中植物蛋白需求日益增长,但受限于低消化率(digestibility)、不良风味特征及必需氨基酸组成失衡。传统的响应面法(response surface methodology, RSM)等优化方法难以处理此类复杂非线性关系,缺乏更强大的预测工

  
摘要:儿童营养中植物蛋白需求日益增长,但受限于低消化率(digestibility)、不良风味特征及必需氨基酸组成失衡。传统的响应面法(response surface methodology, RSM)等优化方法难以处理此类复杂非线性关系,缺乏更强大的预测工具。本研究系统比较了RSM-中心复合设计(central composite design, CCD)与神经网络驱动的多目标优化策略,以优化配方及酶解参数。RSM-CCD方案获得底物消化率90.08%、必需氨基酸指数(essential amino acid index, EAAI) 1.00,但苦味强度(bitterness intensity, BI)高达6.6;相比之下,神经网络模型经600轮(epoch)训练(最优解出现于第540轮)表现更优,消化率达90.64%,EAAI为1.18,BI大幅降至0.29,表明神经网络能捕捉RSM遗漏的复杂交互作用。为验证结果,水解物肽组学(peptidomics)分析证实神经网络优化工艺从根本上改变了水解模式,有效消除了关键苦味肽的生成。综上,本研究不仅获得了适用于儿童营养的高消化率、适口植物蛋白底物,且确立了机器学习作为解决食品产品开发中长期存在的多属性优化问题的变革性方法。
论文解读:机器学习辅助儿童植物蛋白底物酶解工艺多目标优化研究
儿童生长发育依赖优质蛋白摄入,但动物蛋白存在过敏与伦理顾虑,植物蛋白成重要替代。然而植物蛋白消化率通常仅45%–80%(低于动物蛋白之>90%),且儿童胃肠发育未全、胃酸及蛋白酶分泌不足,加之植物蛋白致密的β-折叠结构与疏水相互作用限制酶解可及性;此外酶解提升消化率时常伴发含Leu/Phe等疏水性残基的苦味肽(bitter peptide)生成,恶化感官接受度,同时必需氨基酸指数(essential amino amino acid index, EAAI)亦需兼顾。传统响应面法(response surface methodology, RSM)基于低阶多项式拟合,难捕捉强非线性生物体系交互,优化时面临消化率、BI与EAAI互相拮抗之困局。为此,研究人员以大豆分离蛋白(soy protein isolate, SPI)、豌豆分离蛋白(pea protein isolate, PPI)、燕麦分离蛋白(oat protein isolate, OPI)及酵母蛋白复配体系为对象,对比RSM-CCD与前馈神经网络(feedforward neural network, FNN)结合KNN-SMOTER数据增强之多目标优化效果,并以体外INFOGEST 2.0静态/动态消化及肽组学(peptidomics)验证,旨在获得适于儿科营养之高消化、低苦、氨基酸均衡的植物蛋白底物,并建立食品多属性优化的机器学习(machine learning, ML)框架。该文发表于《Journal of Future Foods》。
主要关键技术方法
研究人员以SPI、PPI、OPI及酵母蛋白为实验材料,采用碱溶酸沉法提取PPI与OPI。基于五因素三水平面心中心复合设计(face-centered CCD)安排32组实验(含6个中心点),考察SPI含量(35–55%)、PPI-OPI比例(1–3)、酵母蛋白含量(5–25%)、碱性蛋白酶酶解时间(30–150 min)及加酶量(100–500 U/g)对体外消化率(digestibility)、苦味强度(bitterness intensity, BI,电子舌测定)及EAAI的影响。RSM-CCD构建二次回归模型并寻优;原始32组数据划分训练集(25)与独立测试集(7),训练集采用K最近邻-回归版合成少数类过采样技术(KNN-based SMOTER)扩增至625例,构建含共享隐藏层(16节点,ReLU激活)及三独立输出层之多输出前馈神经网络(FNN)拟合五输入至三响应,以自定义损失函数(-1.6×消化率+0.1×BI-0.8×EAAI)结合Adam梯度下降进行多目标逆向寻优。验证阶段采用INFOGEST 2.0静态及DIVHS-IV动态体外胃肠消化模拟测定真实消化率,nano-LC-Orbitrap HRMS进行肽组学分析并用TastePeptides与PeptideRanker预测苦味/生物活性肽。
研究结果
3.1. Factors affecting digestibility, BI and EAAI based on CCD-RSM analysis
通过ANOVA确认RSM二次模型显著(p<0.0001)且无失拟,R2分别为0.935(消化率)、0.9618(BI)、0.9694(EAAI)。分析表明SPI含量正向影响消化率;酵母蛋白因易聚集负向影响消化率;延长酶解时间与加大酶量呈二次效应且二者交互正向;SPI与PPI-OPI比、酵母含量及时长之交互亦升BI。RSM全局寻优得:SPI 38%、PPI-OPI 2.0、酵母11%、酶解149 min、加酶489 U/g,预测消化率90.08%、EAAI 1.00、BI 6.6——消化率与EAAI达标但BI过高,无法满足儿童适口要求,体现传统RSM在多目标冲突时局限。
3.2. Multi-objective optimization by machine learning
KNN-SMOTER数据增强较Mixup与GMM法在MAE/RMSE/R2上泛化更优,尤其改善BI预测。构建之FNN经600 epoch训练(第540 epoch最优),在测试集具良好泛化。ML优化给出最佳参数组合:SPI 35.60%、PPI-OPI比2.32、酵母蛋白24.90%、酶解时间144.32 min、加酶量470.92 U/g,对应预测消化率90.64%、EAAI 1.18、BI仅0.29(为RSM方案之4.36%),证明神经网络可捕获变量间复杂非线性并实现多目标折衷。
3.3. Validation for RSM and ML optimization
电子舌定量BI值:单纯SPI(未酶解) 12.97 > RSM水解物14.54 > ML水解物13.65,ML较RSM降苦6.12%。动态体外胃肠消化pH变化显示ML预水解物因已部分降解故胃相pH波动最小。动态消化实测消化率:SPI 63.64% < RSM 83.06% < ML 87.10%,ML较RSM提升4.64%。肽组学显示酶解前后ML与RSM肽谱较SPI更复杂;用TastePeptides预测Top100丰度肽中苦味肽数:SPI 2条 < ML 6条 < RSM 8条,ML减少AIPVNKPGRF与VIPVNRPGKF等强正相关(r>0.89)苦味肽生成,从分子水平解释BI降低机制。体外消化后生物活性肽预测(PeptideRanker>0.5):SPI 13条 < RSM 16条 < ML 18条,ML配方保留并释放更多潜在活性短肽(如IGF、LGF评分>0.90)。
讨论与结论翻译
本研究解决了儿童植物蛋白底物中消化率、BI与EAAI间多目标权衡这一传统RSM-CCD优化之局限。神经网络驱动之多目标优化取得更优结果:消化率90.64%、BI 0.29(较RSM-CCD降95%)、EAAI 1.18,对应优化底物配方(SPI 35.6%、PPI-OPI比=2.32、酵母蛋白24.9%)及酶解条件(470.92 U/g,144.32 min)。结果表明神经网络不仅更好捕捉变量复杂关系且提升风味可接受性,为协调营养与感官属性提供高效途径。研究人员对SPI、RSM及ML优化蛋白混合物进行酶解及动态体外消化验证:BI顺序为SPI < ML < RSM,动态体外消化率由SPI(63.64%)至RSM(83.06%)升至ML(87.10%)。苦味肽预测与实测BI一致,ML通过减少苦味肽生成更好缓解风味劣变。未来工作应拓展蛋白来源、纳入质构与货架稳定性等参数、发展可解释AI模型解析配方—属性关系并评估工业放大可行性。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号