《Innovative Food Science & Emerging Technologies》:Self-pressurized Rapid Visco Analyzer-integrated machine learning for predicting high-moisture extrusion responses and texture of plant protein-starch blends
编辑推荐:
建模高水分挤压(High-Moisture Extrusion, HME)过程-产品关系因生物聚合物系统的非线性行为而具挑战性,这凸显了适用于工业HME的数据驱动工具的必要性。本研究提出一项可行性研究,将挤压前植物蛋白-淀粉共混物的糊化/凝胶化数据(采用自加压
建模高水分挤压(High-Moisture Extrusion, HME)过程-产品关系因生物聚合物系统的非线性行为而具挑战性,这凸显了适用于工业HME的数据驱动工具的必要性。本研究提出一项可行性研究,将挤压前植物蛋白-淀粉共混物的糊化/凝胶化数据(采用自加压Rapid Visco Analyzer(RVA)于135?°C测定,模拟HME筒体温度)与机器学习(Machine Learning, ML)方法结合,以预测挤出物仪器质感构并关联HME过程行为。HME试验使用蛋白浓缩物(豌豆、大豆、火麻)与淀粉(不同直链淀粉含量的玉米淀粉及马铃薯淀粉)共混物,在桶体含水量50–70%和螺杆转速350–450?rpm下进行,共获得158个挤出物。数据集整合在线挤压设定点数据、两种固形物浓度下测得的RVA曲线,以及HME响应[比机械能耗(Specific Mechanical Energy, SME)和口模压力(die pressure)]与挤出物仪器质感构。XGBoost和Ridge回归对不同共混物显示不同结果。采用留一配方出(Leave-One-Blend-Out, LOBO)验证时,部分共混物和不同因变量的R2较高,但各共混物间R2差异较大,火麻体系不可预测。变量分析强调RVA和在线挤压设定点的贡献。比较Shapley加性解释(Shapley Additive exPlanations, SHAP)与标准化系数,跨模型变量贡献方向一致,支持模型可解释性。研究结果表明RVA信息辅助ML建模有望用于预判HME过程及产品结果。
《Innovative Food Science》刊载论文解读——自加压RVA联用机器学习预测植物蛋白-淀粉共混物高水分挤压响应及质构特性(Nielsen MK, Subasi BG, Martinez MM, 2026)
一、研究背景与立项依据
高水分挤压(High-Moisture Extrusion, HME)是制备结构化植物基肉类似物的重要技术,其过程涉及蛋白质变性、淀粉糊化及相分离等复杂生物聚合物非线性相互作用。现有HME研究多依赖有限样本的经验关联或单因素变量考察,难以捕捉工业放大下的复杂过程-产品结构关系;传统流变学表征虽能提供材料本构信息,但操作繁琐、耗时且需专业人员,不利于食品企业日常快速筛选。Rapid Visco Analyzer(RVA)是可程序控温、带自密封加压罐(最高约100 psi)的快速黏度分析仪,能在135–140?°C无近沸腾干扰下获取糊化(pasting)与凝胶化(gelling)曲线,操作简便且样品量少。研究人员假设:将高温自加压RVA获得的蛋白-淀粉共混物糊化/回生特征参数,与HME在线工艺设定(桶体含水率、螺杆转速)整合作为机器学习输入,可建立经验模型预测HME过程响应[比机械能耗(Specific Mechanical Energy, SME)、口模压力(die pressure)]及挤出物质构(切割力、硬度),为试产前提供原料筛选与工艺预判工具。
二、主要关键技术方法
研究人员配制三种蛋白(火麻蛋白浓缩物HempSol-65、豌豆分离蛋白Pisane M9、大豆分离蛋白VEGACON 90KK)与四种淀粉(蜡质玉米、普通玉米、高直链玉米、马铃薯淀粉)按90:10(干基)的15种共混物,其中纯蛋白为对照。①自加压RVA 4800于135?°C保温测得15%与20%(w/w, 干基)固形物浓度下的糊化曲线,提取峰值黏度(peak viscosity)、谷值黏度(trough viscosity)、最终黏度(final viscosity)、峰值时间(peak time)及糊化温度(pasting temperature),并计算两浓度差值(Δ)表征固形物敏感性;②采用11 mm同向双螺杆实验室挤出机(L/D=40)配冷却口模(4×19×125 mm),固定温度分布(最高 Zone 5=135?°C),改变桶体含水率(50–70%)与螺杆转速(350/400/450 rpm),记录扭矩、计算SME及口模压力,挤出物经-70?°C冻存;③质构仪测定纵向与横向切割力(cutting force)及15%应变压缩硬度(hardness);④构建含RVA参数(15%、20%及Δ)、桶体含水率、螺杆转速的输入数据集,以SME、die pressure、Fcut.L、Fcut.C、硬度为输出,采用Ridge回归(α=1.0)与XGBoost进行留一配方出(Leave-One-Blend-Out, LOBO)交叉验证,并以SHAP值解释XGBoost变量贡献,与Ridge标准化系数比对。
三、研究结果
3.1 自加压RVA高温糊化行为(High temperature pasting behavior using a self-pressurized rapid visco analyzer)
三种蛋白及加不同淀粉后RVA曲线差异显著。火麻蛋白呈高峰值黏度但迅速崩解(breakdown)、冷却回生(setback)弱,表明凝胶网络形成能力差;豌豆蛋白峰值黏度中等但冷却后最终黏度与回生值高,暗示变性球蛋白重聚集形成网络;大豆蛋白介于二者间,初始黏度发展早但最终稳定性略差。淀粉类型显著影响峰值黏度(p<0.001),蛋白×淀粉交互效应对峰值黏度显著(p<0.001),对最终黏度与糊化温度不显著。固形物浓度升高显著提高所有黏度参数(p<0.001)。该RVA差异被用作后续ML输入特征。
3.2 数据筛选与模型性能(Data selection and performance)
比较仅用15%、仅用20%及用Δ(20%?15%)数据集,Δ数据集预测性能最优,故后续分析采用Δ集,并剔除与最终黏度Δ高度相关(Pearson's r=0.80)的峰值黏度Δ,保留最终黏度Δ。LOBO验证显示:豌豆与大豆基共混物SME与die pressure预测R2波动大(含火麻时某些配方R2为负),排除火麻后die pressure最佳R2达0.96(P+WA),SME最佳R2≈0.74;横向切割力(Fcut.C)预测优于纵向(Fcut.L),最佳R2>0.85(S+PO, P+WA),硬度最佳R2达0.90(部分豌豆/大豆配方)。火麻共混物(H+MA, H+HA)因SME极低(13–68 kJ/kg)、糊化曲线迥异且可行含水率范围窄,模型对其泛化差。
3.3 变量重要性分析(Variable importance analysis)
Ridge回归标准化系数与XGBoost SHAP值方向一致,证实模型可解释性。对于质构(Fcut.C、Fcut.L、硬度):桶体含水率(Mbarrel)为标准负贡献(高含水→低质构强度),最终黏度Δ(ηfinal.Δ)为正贡献(高Δ→高质构强度,反映共混物冷却成胶倾向强);峰值时间Δ(tpeak.Δ)为负,糊化温度Δ(Tpasting.Δ)影响较小。对于SME:Mbarrel负(高含水降低熔体黏度与耗能),ηfinal.Δ正(高凝胶强度需更多机械能);对于die pressure:Mbarrel负(低含水提高熔体黏度与流动阻力→高压),ηfinal.Δ正(强凝胶网络提高口模处流动阻力→高压)。SHAP蜂群图确认上述主次顺序。
四、讨论与结论总结
研究人员指出,RVA Δ参数可作为共混物水分/固形物敏感性与冷却成胶潜力的代理指标,其与挤出物质构及过程响应的关联经ML量化验证。火麻蛋白体系的不可预测性源于其独特糊化行为与极低SME,提示未来需扩充蛋白种类(如小麦面筋、蚕豆蛋白)及配比以拓宽训练空间。该研究证明仅需两种固形物浓度的自加压RVA测试联合基础HME设定点,即可通过XGBoost/Ridge回归初步预判SME、die pressure及挤出物质构,为工业原料筛选与工艺预设提供低成本数据驱动方案。局限包括单一温度剖面、未测高剪切流变及小试样口模,建议后续引入变温程序、毛细管流变及更大冷却口模验证各向异性结构预测能力。
结论(翻译): 本研究探讨利用自加压RVA数据与在线HME工艺设定点联用建模的概念验证,聚焦SME、口模压力及挤出物硬度与纵横切割力的预测。对大豆与豌豆基共混物采用留一配方出验证,部分共混物与因变量获较高R2,各配方间R2差异明显,火麻共混物因糊化行为与挤压条件差异大而难预测,需单独处理或扩充蛋白来源。该预测框架强化了对植物蛋白-淀粉共混物理化胶体特征与其SME、口模压力建立及HME挤出物质构关联的理解。所选共混物高温糊化曲线差异大,构成HME目标变量建模基础。采用XGBoost与Ridge回归,构建15%、20%固形物及二者Δ三数据集均可用,变量解释分析显示SHAP值与Ridge标准化系数方向一致,表明变量效应跨模型相似捕获。本研究展示基于自加压RVA数据的HME结果建模潜力,但受限于热力学-机械变量范围窄及单一流变分析方法;未来应扩展实验条件(含温度剖面变化)与补充流变技术、纳入更多蛋白源以提高数据集多样性,深化对食品生物聚合物基质挤压响应的机理理解。