FTIR-机器学习联用技术用于预测无花果籽油中的抗氧化生物活性成分：实现高通量筛选的途径

《Food Analytical Methods》：FTIR–Machine Learning Tandem for Predicting Antioxidant Bioactives in Fig Seed Oil: A Pathway to High-Throughput Screening

无花果种子油因其丰富的脂溶性生物活性成分和抗氧化特性备受关注，本研究采用中红外傅里叶变换光谱结合机器学习算法开发了高效预测模型，通过比较MLP、AutoML和GA-PLSR三种算法与四种预处理方法，发现MLP结合MSC或SNV预处理对多酚、黄酮及抗氧化活性预测效果最佳（R2＞0.82），其中抗氧化参数预测准确度最高（R2＞0.85）。MSC和SNV预处理显著提升模型稳健性，为高throughput品质评估提供绿色化学替代方案。

　　

摘要

无花果籽油在传统的无花果加工过程中长期被忽视，但近年来因其富含脂质生物活性化合物和出色的抗氧化能力而受到关注。这种新兴的天然油脂在化妆品和营养保健品领域展现出巨大潜力，有可能成为仙人掌籽油的商业替代品。为了实现对该油脂的大规模筛选，我们利用非破坏性的中红外光谱技术与机器学习算法相结合开发了预测模型。我们对222个无花果籽油样本进行了分析，检测了总酚含量（TPC）、总黄酮含量（TFC）以及通过DPPH和ABTS法测得的抗氧化活性。我们比较了三种回归方法：多层感知器（MLP）、自动机器学习（AutoML）和遗传算法增强的偏最小二乘回归（GA-PLSR），并结合了四种光谱预处理策略（原始光谱、Savitzky-Golay平滑处理、标准正态变量变换（SNV）和乘法散射校正（MSC），以优化预测性能。结合MSC或SNV预处理的MLP模型提供了最可靠的预测结果，所有生化参数的盲测R2值均超过0.82。抗氧化活性（DPPH和ABTS）的预测准确度最高（R2 > 0.85），这可能归因于1000–1800 cm?1和2800–3000 cm?1区域内的强光谱特征。总酚含量的预测也较为准确，SNV预处理使R2值从0.794提高到0.823。而总黄酮含量的预测难度较大（R2约为0.44–0.74），这可能是由于光谱信号较弱以及分析变异性较大所致。这些结果表明，MSC和SNV预处理显著增强了模型的稳健性，并且与抗氧化相关的参数特别适合通过基于FTIR的MLP方法进行预测。这种方法提供了一种快速、经济且环保的替代传统湿化学方法的方式，有助于根据绿色化学原则实现高通量质量评估和未充分利用植物资源的价值转化。