《Applied Food Research》：Hydration Kinetics and Thermodynamics of Improved Cowpea (
Vigna unguiculata L. Walp.
) Hybrids: Application of Machine Learning Over Classical Models
编辑推荐：
本研究聚焦于新型SAMPEA系列豇豆杂种，其吸水动力学与热力学特性数据匮乏，限制了其在工业食品加工中的应用。为解决此问题，研究人员系统评估了六个SAMPEA杂种在不同温度下的吸水行为，并结合五种传统模型（如Peleg模型）与七种机器学习（ML）算法（包括支持向量回归SVR、深度神经网络DNN、XGBoost等）进行建模分析。结果表明，不同杂种间吸水特性差异显著，其中SVR模型展现出最高的预测精度（R2= 0.9997, RMSE = 0.0113 g/g）。此项研究不仅揭示了SAMPEA豇豆的吸水机制，更为优化食品工业中的浸泡、蒸煮等加工工艺提供了科学依据，对促进豇豆的高效利用与增值加工具有重要意义。
在追求粮食安全和可持续发展的全球背景下，豇豆（Vigna unguiculata L. Walp.）凭借其高蛋白含量、适应贫瘠土壤和抗旱能力，成为一种至关重要的豆类作物。尼日利亚作为其最大的生产和消费国，年产量超过四百万吨。然而，豇豆的工业应用，特别是在食品加工领域，仍然面临瓶颈。一个核心挑战是缺乏关于其“喝水”本领——即吸水动力学和热力学特性的系统数据。食品加工者需要知道豆子在加工（如浸泡、蒸煮、挤压）过程中如何吸水、能吸多少水、需要多久才能“喝饱”，以及温度如何影响这一过程。这些特性直接关系到产品的质地、烹饪品质和最终的加工效率。近年来，育种学家们开发了一系列改良的SAMPEA豇豆品种，旨在解决传统品种面临的病虫害和烹饪时间长等问题。尽管这些新品种展现出诸多优良性状，但人们对它们在不同温度条件下的“喝水”行为却知之甚少。这种知识的空白，使得食品工业难以精确优化针对这些新型品种的加工工艺，限制了它们的商业潜力和在即食食品、蛋白分离物等高端产品中的应用。为了填补这一空白，并为食品工业提供精准的加工指导，一项针对SAMPEA系列豇豆杂种吸水行为的深入研究应运而生。该研究采用多模型策略，将经典的数学模型与前沿的机器学习（Machine Learning, ML）技术相结合，旨在深入揭示其吸水规律，相关成果发表在《Applied Food Research》期刊上。
为了系统研究SAMPEA豇豆的吸水特性，研究者们采用了综合的实验与分析框架。首先，从尼日利亚Ahmadu Bello大学农业研究所的育种实验室获取了七个SAMPEA杂种（15-21）的种子样本，并测定了其物理尺寸、百粒重、球形度、体积等基础几何参数。核心的吸水实验在严格控制的条件下进行：将样品置于五个不同温度（30°C, 45°C, 60°C, 75°C, 90°C）的恒温水浴中浸泡，并在特定时间点（例如30, 45, 60, 90, 120, 300分钟）测量其重量变化，以此计算不同时间点的水分吸收量。基于这些实验数据，研究从两个维度进行建模分析。一方面，运用了五种经典的吸水动力学模型（Peleg, Page, Weibull, Kapatso, 和Fick扩散模型）来拟合吸水过程，并计算了相关的热力学参数（如活化能Ea、焓变ΔH、熵变ΔS和吉布斯自由能ΔG）。另一方面，创新性地引入了七种机器学习算法（包括支持向量回归SVR、深度神经网络DNN、XGBoost、随机森林、梯度提升、轻量梯度提升机LightGBM和超级集成），将浸泡时间、温度以及经过独热编码的品种信息作为输入特征，来预测水分吸收量。数据集被划分为训练集、验证集和测试集，以评估和比较不同模型的预测性能。
物理和尺寸特性
研究首先对七个SAMPEA杂种的种子进行了物理表征。结果表明，虽然品种间的长度、宽度、厚度等尺寸参数存在一定遗传多样性，但整体上差异不显著。所有品种的种子形状均被归类为圆形。这些几何参数是影响种子吸水行为的基础因素，也为后续加工设备（如筛分、脱壳机）的设计提供了重要参考。
吸水特性
通过24小时浸泡实验，评估了各品种的吸水能力、吸水指数、溶胀能力和溶胀指数。结果显示，SAMPEA-21具有最高的吸水指数（129.08%），而SAMPEA-16则表现出最高的溶胀能力（0.58 mL/粒）和溶胀指数（61.93%）。这些参数直接关联到种子的烹饪品质，较高的吸水能力通常意味着更短的烹饪时间和更少的分裂，对工业化食品加工具有重要意义。主成分分析进一步揭示了品种间形态特征的差异，这些差异与其吸水行为的变异性相关联。
基于经典模型的吸水动力学与热力学
研究人员将实验数据拟合到五个经典动力学模型中。在所有的传统模型中，Peleg模型展现了最佳的整体拟合度，其决定系数R2在30°C时高达0.992，但在90°C时显著下降至0.250。该模型能够有效描述吸水初期和接近平衡时的行为。基于Peleg模型的参数，通过阿伦尼乌斯方程计算了各品种的吸水活化能（Ea）。Ea值在10.149至20.123 kJ/mol之间，其中SAMPEA-15的Ea最高，表明其开始吸水需要克服更高的能量势垒，这可能是由于其内部结构（如致密的子叶基质、较高的淀粉-蛋白质互作网络）在高温下更容易发生不利的结构变化（如凝胶化和蛋白质变性），从而减缓了吸水速率。热力学分析显示，所有品种的焓变（ΔH）均为负值，熵变（ΔS）也为负值，且吉布斯自由能（ΔG）随温度升高而增加。这表明SAMPEA豇豆的吸水过程是一个放热的、有序度降低的转变，其自发性和驱动力受温度影响。
基于机器学习模型的吸水动力学预测
为了突破经典模型在捕捉复杂非线性关系和提供高精度预测方面的局限，研究引入了机器学习方法。在测试的七种ML模型中，支持向量回归（SVR）表现最为出色，其整体预测的R2达到了0.9997，均方根误差（RMSE）低至0.0113 g/g，预测精度显著超越所有经典模型。深度神经网络（DNN）和XGBoost也表现出强大的建模能力。机器学习模型不仅提供了更高的预测准确性，还能通过特征重要性分析揭示关键影响因素。沙普利加和解释（SHAP）分析明确显示，在影响水分吸收的所有因素中，浸泡时间是首要的决定性因子，其次是温度，而品种身份则贡献了细微的、非加性的交互作用。这一发现与响应面分析的结果相互印证，后者直观展示了吸水率随浸泡时间延长而增加，但受温度影响的复杂非线性关系。
本研究对六个新近育成的SAMPEA豇豆杂种的吸水动力学和热力学特性进行了全面而深入的探索。通过结合经典物理模型与前沿机器学习算法，揭示了不同品种间吸水行为的显著差异性及其背后的物理化学机制。研究发现，在传统模型中，Peleg模型能较好地描述吸水过程；而在预测精度上，机器学习模型，尤其是支持向量回归，展现出了压倒性的优势。研究确定的低活化能值表明这些新品种具有较高的吸水效率潜力。此外，研究明确了浸泡时间是控制吸水过程的最关键操作参数。这些结论具有重要的理论与实践意义。首先，该研究填补了关于SAMPEA这一在撒哈拉以南非洲广泛种植的重要豇豆系列吸水特性数据的空白。其次，建立的高精度机器学习预测模型，为食品工业优化针对特定品种的加工工艺（如浸泡、蒸煮、挤压）提供了强大的工具，有助于实现精准控制、提高能效和产品一致性。最后，研究结果为后续的品种选育提供了参考指标，例如可以选择那些具有高吸水指数和低活化能的品种，以进一步缩短烹饪时间、节省能源，并开发出更优质的即食豆类食品、蛋白强化酱和挤压食品。这项研究为推进豇豆在食品加工中的高值化利用和可持续农业发展奠定了坚实的科学基础。
