基于高光谱成像预测乳清蛋白-β-葡聚糖结合物中类黑精参数的可行性研究

《LWT》：Hyperspectral imaging feasibility in the prediction of melanoidin parameters in whey protein-β-glucan conjugates

　　

美拉德反应（Maillard Reaction, MR）是还原糖与蛋白质氨基基团之间的非酶促褐变过程，在食品化学中通过增强蛋白质功能特性及生成抗氧化和抗菌化合物发挥着至关重要的作用。然而，在非理想条件下，该反应可能产生有毒或致癌物质，这强调了谨慎监测的必要性。本研究评估了高光谱成像（Hyperspectral Imaging, HSI）在监测美拉德反应中类黑精形成的可行性。基于人工神经网络（Artificial Neural Network, ANN）的预测模型准确估算了关键的类黑精参数，包括晚期糖基化终末产物（Advanced Maillard Products）、抗氧化活性（Antioxidant Activity）和糖基化程度（Degree of Glycosylation），准确率分别为94.27%、95.88%和87.06%。偏最小二乘回归（Partial Least Squares Regression, PLSR）也显示出强大的预测性能（R2> 96%），而支持向量回归（Support Vector Regression, SVR）的准确性较低（R2= 75-78%）。这些结果证明了高光谱成像结合机器学习作为一种快速无损工具用于监测美拉德反应参数的高度可能性，其在优化热加工工艺和确保食品质量方面具有潜在应用价值。

论文解读：基于高光谱成像技术的乳清蛋白-β-葡聚糖结合物类黑精形成监测研究

研究背景与意义

美拉德反应（MR）作为食品加工中普遍存在的非酶促褐变反应，其产物的双重性质——既赋予食品良好的感官特性和功能特性（如抗氧化性），又可能伴随产生丙烯酰胺等有害物质——一直是食品科学领域关注的焦点。传统的监测手段如高效液相色谱（HPLC）和质谱（Mass Spectrometry）虽然精确，但往往耗时、昂贵且属于破坏性检测。紫外可见分光光度法（UV-Vis）虽常用，但缺乏空间分辨信息。高光谱成像（HSI）技术结合了光谱分析与成像技术的优势，能够同时获取样品的空间信息和光谱特征，为解决传统方法的局限性提供了可能。然而，此前尚未有研究将HSI应用于蛋白质-碳水化合物结合物溶液中类黑精形成的特异性监测。因此，Mohammad Hossein Nargesi、Somayeh Aziznia及Kamran Kheiralipour等研究人员在《LWT》上发表的研究，旨在填补这一空白，评估HSI结合机器学习算法在预测乳清蛋白浓缩物（WPC）与β-葡聚糖（βG）结合物中关键美拉德反应参数方面的潜力。

关键技术方法

研究人员制备了WPC与βG在不同温度（60、70、80 °C）下经超声处理12分钟的结合物样本，并以未处理组为对照。通过化学分析法测定了糖基化程度（DG，采用邻苯二甲醛OPA法）、晚期美拉德产物（A₄₂₀吸光度）及DPPH自由基清除能力。利用可见光-近红外（Vis-NIR, 400-950 nm）高光谱相机采集样本图像，获得包含666个光谱波段的数据立方体。数据处理阶段采用主成分分析（PCA）进行降维以识别有效波长，并提取了均值、方差等统计特征。最终，研究人员构建了三种预测模型进行比较：人工神经网络（ANN）、支持向量回归（SVR）和偏最小二乘回归（PLSR），数据集按训练、验证、测试进行划分以评估模型性能。

研究结果

1. 糖基化程度和晚期美拉德反应产物

化学分析结果显示，所有接枝WPC在A₄₂₀处的吸光度均显著高于对照组（P<0.05），且随着超声处理温度的升高，蛋白与多糖之间的糖基化效率显著提高，褐变程度（A₄₂₀）也随之增加。这表明热处理促进了蛋白质展开，增加了美拉德反应活性，导致棕色类黑精色素的生成量增加。

2. DPPH自由基清除活性

抗氧化活性测试表明，所有糖基化蛋白的DPPH自由基清除能力均高于对照组，且超声波温度的升高进一步增强了抗氧化能力。这一趋势与A₄₂₀的变化一致，证实了晚期美拉德反应产物（MRPs）中的高分子量聚合物及其含有的羟基和吡咯官能团对自由基清除能力的贡献。

3. 主成分分析

通过对高光谱数据进行主成分分析，研究人员成功区分了不同温度处理的样本。通过分析载荷图（Loading plots），确定了7个对分类贡献最大的有效通道及其对应的波长（571.56, 612.90, 808.86, 827.88, 911.39, 917.18, 和 944.46 nm）。这些波长为后续的特征提取和模型构建提供了依据。

4. 提取特征

基于选定的有效波长，研究人员提取了包括均值、最小值、最大值、方差、中位数和标准差在内的多维特征。这些特征随后被输入到机器学习模型中，用于评估其在预测类黑精水平、糖基化程度和抗氧化活性方面的表现。

5. 人工神经网络

ANN模型表现出最佳的预测性能。预测晚期美拉德产物的最佳网络结构为42-4-1（输入层-隐含层-输出层），R²达到94.27%（r=97.09%）。预测抗氧化活性的最优结构同样为42-4-1，R²为95.88%（r=97.92%）。对于糖基化程度（DG）的预测，该结构下的R²为87.06%（r=93.30%）。所有模型的均方根误差（RMSE）均保持在极低水平，验证了ANN在处理高光谱数据非线性关系上的优越性。

6. 支持向量回归

相比之下，SVR模型的性能逊于ANN。使用高斯核函数（Gaussian kernel）的SVR在预测晚期美拉德产物、抗氧化活性和DG时的R²值分别为75.56%、78.41%和75.36%。尽管优于多项式核，但其整体预测精度仍无法满足高精度监测的需求。

7. 偏最小二乘回归

PLSR模型展现了优异的预测能力，其R²值在三个参数上均超过了96%（分别为96.31%、96.26%和96.09%），RMSE值也处于低位。这表明PLSR作为一种线性建模方法，在该数据集上与ANN一同构成了强有力的预测工具。

结论与讨论

本研究证实，利用高光谱成像结合预测模型估算乳清蛋白浓缩物-β-葡聚糖结合物中美拉德反应关键产物具有高度可行性。在三种建模方法中，人工神经网络（ANN）和偏最小二乘回归（PLSR）表现卓越，其中ANN凭借最优的42-4-1架构和Purelin激活函数，实现了对晚期糖基化终末产物（94.27%）、抗氧化活性（95.88%）和糖基化程度（87.06%）的高精度预测。PLSR亦展示了极强的线性拟合能力（R²> 96%）。尽管支持向量回归（SVR）表现稍弱（R²= 75-78%），但研究整体证明了HSI与机器学习结合可作为监测蛋白质-多糖体系中美拉德反应的准确、无损工具。该技术不仅克服了传统点光谱测量缺乏空间信息的缺陷，更为食品工业中实现热加工过程的实时监控、反应条件优化及质量控制提供了重要的理论依据和技术支撑。