Optimization of Theanine-Glucose Maillard Reaction Conditions Based on Artificial Neural Network Coupled Genetic Algorithm (BP-GA)
-
摘要: 为了对美拉德反应体系进行综合评价以及优化茶氨酸-葡萄糖美拉德反应条件，本研究构建了茶氨酸-葡萄糖美拉德反应综合评价值的人工神经网络耦联遗传算法（BP-GA）模型，优化得到了最佳反应条件。先通过熵值法求出荧光值、A294、A420、葡萄糖及茶氨酸剩余量五个评价指标之间的权重，再结合单因素实验及正交试验结果，建立输入为实验因素参数，输出为美拉德反应综合评价值的BP-GA人工神经网络模型，最后使用建立好的模型得到茶氨酸-葡萄糖美拉德反应的最优条件及相应的美拉德反应综合评价值。结果表明，通过建立的BP-GA模型进行全局优化得到茶氨酸-葡萄糖美拉德反应的最优条件为：反应温度117.6 ℃，反应时间1.8 h，pH7.3，羰基氨比1:2，此条件下美拉德反应的综合评价值为93.22。经过与正交试验得到的结果比较，发现BP-GA模型具有良好的预测性能。利用BP-GA模型，本研究得到了模型美拉德反应的最优条件，这将为美拉德反应模拟体系的构建及反应的预测提供参考。Abstract: In order to comprehensively evaluate the Maillard reaction system and optimize the conditions of theanine-glucose Maillard reaction, an artificial neural network coupled genetic algorithm (BP-GA) model for the comprehensive evaluation value of theamine-glucose Maillard reaction was herein constructed, and the best reaction conditions were optimized. Firstly, the weight among five evaluation indexes, fluorescence value, A294, A420, glucose and theanine residue were obtained by entropy method. Next, a BP-GA artificial neural network model with experimental factor parameter as the input and the comprehensive evaluation value of Maillard reaction as output was established in combination with the results of the single factor experiment and orthogonal experiment. Finally, the optimal condition for the theanine-glucose Maillard reaction and the corresponding comprehensive evaluation value of the Maillard reaction were obtained with the established model. The results showed that the optimal conditions for the theanine-glucose Maillard reaction obtained through the global optimization by the established BP-GA model were: Reaction temperature 117.6 ℃, reaction time 1.8 h, pH7.3, and carbonyl ammonia ratio 1:2. In such case, the comprehensive evaluation value of Maillard reaction was 93.22. Compared with the results obtained by the orthogonal experiment, it was found that the BP-GA model had good predictive performance. In this study, the optimum conditions for the model Maillard reaction was obtained by the BP-GA model, which would provide a reference for the establishment of the Maillard reaction simulation system and prediction of the reaction.
-
Keywords:
- theanine /
- glucose /
- Maillard reaction /
- entropy method /
- artificial neural network /
- genetic algorithm /
- optimization
-
美拉德反应是由羰基化合物和氨基化合物引发的，包含一系列反应[1]，反应过程中产生的包括挥发性风味物质在内的数百种化合物对热加工食品品质的形成至关重要[2]。自从Hodge提出美拉德反应模拟体系及其反应历程框架以来[3]，人们对美拉德反应的认识在不断加深，美拉德反应的影响因素也逐渐被人们所熟知，包括原料的种类、体系pH及反应温度等[4]。尽管对美拉德反应的认识逐渐深入，但是由于美拉德反应的复杂性，人们在研究美拉德反应时，大都还是通过建立美拉德反应模拟体系来进行的，有研究通过建立丙氨酸-丁二酮美拉德反应体系，得到了烷基吡嗪化合物的动力学模型[5]。同时还通过控制模拟体系基本条件来研究美拉德反应规律，Han等[6]研究了不同因素对茶氨酸-葡萄糖阿玛多里重排产物生成的影响，并得到了纯化后的产物。然而，茶氨酸作为茶叶中含量最多的氨基酸[7]，其模拟体系下美拉德反应程度及规律尚不清楚。
人工神经网络（Artificial Neural Netwroks，ANN）是一种有监督学习算法，它试图通过模拟人脑神经系统对复杂信息的处理机制来构建一种数学模型，已经得到了广泛的认可与推广[8]。ANN模型与之前普遍的模型最大区别在于主要是利用神经元之间的互相作用来进行网络的信息数据处理，能够处理复杂的非线性逻辑结构[9]，且具有强大的数据运算、拟合和预测的能力，是目前使用范围最广的神经网络之一[10]。近年来，人工神经网络已经广泛用于食品工业中，主要是进行非线性和非稳态食品加工过程的仿真和控制[11]。遗传算法（Genetic algorithm，GA）是一种通过模拟自然进化过程搜索最优解的方法，可以不需要知道目标的具体数学模型而模拟出最优解[12]。研究表明，将ANN模型与遗传算法相结合进行全局寻优，具有比传统模型更高的准确性[13]。张曦予等[14]利用人工网络耦联遗传算法（BP-GA）模型干对酪乳杆菌LTL1361冻干保护剂配方进行优化，发现与响应面模型的结果相比较，BP-GA模型具有更高的预测性能；宋建忠等[15]的研究发现，利用BP-GA模型优化刺糖低聚糖的提取工艺，可以明显提高提取率。目前，BP-GA已经广泛应用在提取工艺优化方面，但是鲜有在模拟体系美拉德反应程度及反应条件优化方面的应用。
针对当前研究现状，本研究以优化茶氨酸-葡萄糖美拉德反应的条件为目标，探究单因素实验对茶氨酸-葡萄糖美拉德反应程度的影响，通过正交试验得出各因子的具体影响，采用BP-GA建模，结合熵值法求权重，优化美拉德反应程度综合评价值，以期为美拉德反应模拟体系的构建与优化提供新的方法。
1. 材料与方法
1.1 材料与仪器
葡萄糖、茶氨酸 标准品，上海迈瑞尔生化科技有限公司；氢氧化钠、二硝基水杨酸、碳酸氢钠、亚硝酸钠、次氯酸钠、可溶性淀粉、碘化钾、盐酸等 分析纯，上海迈瑞尔生化科技有限公司。
TU-1950型双光束紫外可见分光光度计、F-2500型荧光分光光度计 日本岛津仪器有限公司；MODEL868型pH计 上海 Thermo Electron 公司；JY-1S型恒温搅拌油浴锅 巩义市瑞利仪器设备有限公司。
1.2 实验方法
1.2.1 美拉德反应体系的构建
称取9.00 g葡萄糖和8.70 g茶氨酸（物质的量比为1:1）置于带有搅拌子的500 mL容器内，加入250 mL超纯水充分溶解，用NaOH调节体系pH为8，置于100 ℃的油浴中，反应4 h后取出，自然冷却至室温，备用。
1.2.2 单因素实验
分别考察反应温度、反应时间、反应体系初始pH、羰氨比对美拉德反应的影响。
1.2.2.1 反应温度对茶氨酸-葡萄糖美拉德反应的影响
称取9. 00 g葡萄糖和8.70 g茶氨酸（物质的量比为1:1）置于带有搅拌子的500 mL容器内，加入250 mL超纯水充分溶解，用NaOH调节体系pH为8，分别置于80、100、120、140、160 ℃的油浴中，反应4 h后取出，自然冷却至室温，备用。测定反应体系荧光值、294 nm下的吸光度值（A294）、420 nm下的吸光度值（A420）、葡萄糖和茶氨酸剩余量，分别作为实验的考察指标。
1.2.2.2 反应时间对茶氨酸-葡萄糖美拉德反应的影响
称取9. 00 g葡萄糖和8.70 g茶氨酸（物质的量比为1:1）置于带有搅拌子的500 mL容器内，加入250 mL超纯水充分溶解，用NaOH调节体系pH为8，置于100 ℃的油浴中，分别反应1、2、3、4、5 h后取出，自然冷却至室温，备用。测定反应体系荧光值、294 nm下的吸光度值（A294）、420 nm下的吸光度值（A420）、葡萄糖和茶氨酸剩余量，分别作为实验的考察指标。
1.2.2.3 pH对茶氨酸-葡萄糖美拉德反应的影响
称取9. 00 g葡萄糖和8.70 g茶氨酸（物质的量比为1:1）置于带有搅拌子的500 mL容器内，加入250 mL超纯水充分溶解，分别用NaOH调节体系pH为5、6、7、8、9，置于100 ℃的油浴中，反应4 h后取出，自然冷却至室温，备用。测定反应体系荧光值、294 nm下的吸光度值（A294）、420 nm下的吸光度值（A420）、葡萄糖和茶氨酸剩余量，分别作为实验的考察指标。
1.2.2.4 羰氨比对茶氨酸-葡萄糖美拉德反应的影响
称取9. 00 g葡萄糖5份，按照羰氨比3:1、2:1、1:1、1:2、1:3分别加入茶氨酸，置于带有搅拌子的500 mL容器内，加入250 mL超纯水充分溶解，用NaOH调节体系pH为8，置于100 ℃的油浴中，反应4 h后取出，自然冷却至室温，备用。测定反应体系荧光值、294 nm下的吸光度值（A294）、420 nm下的吸光度值（A420）、葡萄糖和茶氨酸剩余量，分别作为实验的考察指标。
1.2.3 正交试验
在单因素实验的基础上，以反应温度、反应时间、初始pH、羰氨比为考察因素，分别以荧光值、294 nm下的吸光度值（A294）、420 nm下的吸光度值（A420）、葡萄糖和茶氨酸剩余量为考察指标，采用L9（34）标准正交表进行正交试验，实验因素水平设置见表1。采用极差分析的方法对实验结果进行处理，确定各因素的主次顺序和优劣水平以及各因素的最优水平组合。
表 1 茶氨酸-葡萄糖美拉德反应条件优化的正交试验因素及水平设计Table 1. Orthogonal test factors and level of theanine-glucose Maillard reaction condition optimization水平 因素 A：反应温度
（℃）B：反应时间
（h）C：初始pH D：羰氨比 1 100 2 7 2:1 2 120 3 8 1:1 3 140 4 9 1:2 1.2.4 验证实验
对正交试验得出的最优水平组合进行实验，以验证结果的准确性。
1.2.5 美拉德反应体系相关指标的测定方法
1.2.5.1 美拉德反应体系pH的测定
将美拉德反应体系置于室温25 ℃下，采用MODEL868型pH计进行测定，待pH读数稳定后记录数据。测定样品前，采用“两点法”[16]对其进行校准。
1.2.5.2 各阶段产物的测定
以超纯水为对照，用TU-1950双光束紫外可见分光光度计在294 nm、420 nm处测定吸光度值，分别作为表征美拉德反应中间阶段、最后阶段反应程度的指标[17]。用F-2500荧光分光光度计测定体系的荧光值，激发波长调为350 nm，发射波长为420 nm，作为初始阶段反应程度的指标[18]。
1.2.5.3 反应物剩余量的测定
葡萄糖剩余量：参照文献[19]中的方法测定。以葡萄糖为标准品制作标准曲线，葡萄糖的标准溶液浓度范围为1~10 mg/mL，以葡萄糖溶液浓度为横坐标，540 nm处的紫外吸光度值为纵坐标建立散点图，得出回归方程为y=0.0541x+0.0854，决定系数R2为0.9929；根据回归方程计算葡萄糖含量。
茶氨酸剩余量：参照文献[20−21]方法，并作适当修改。用分光光度法测定体系中剩余茶氨酸的浓度。以茶氨酸为标准品制作标准曲线，茶氨酸的标准溶液浓度范围为0.01~0.1 mg/mL，以茶氨酸溶液浓度为横坐标，570 nm处的吸光度值为纵坐标建立散点图，得出回归方程为y=10.305x+0.0166，决定系数R2为0.9948；取美拉德反应液5 mL，加入12 mol/L的盐酸5 mL，在80 ℃下水浴加热水解后，加入1.00 mol/L NaOH溶液60 mL，再用蒸馏水定容至100 mL，摇匀；取样品液1 mL，加4 mL 6%碳酸氢钠，再加入5 g/L次氯酸钠1 mL，静置1 min；加1 mL 5%亚硝酸钠，混匀，静置5 min；加显色液0.50 mL；加2.50 mL 6%碳酸氢钠，充分摇匀；立即在分光光度计上于570 nm波长处测定吸光值，根据回归方程计算茶氨酸含量。
1.2.6 熵值法求权重
对于美拉德反应程度的评价，A294、A420、荧光值、葡萄糖及茶氨酸剩余量均为重要的评价指标，用熵值法将它们的权重分析出来，得到美拉德反应综合评价公式。
1.2.7 人工神经网络
1.2.7.1 人工神经网络模型的构建
本研究主要探讨人工神经网络在美拉德反应程度预测中的适用性，建立了茶氨酸-葡萄糖美拉德反应程度的ANN模型。参照文献[22]中的方法，在本研究中，ANN模型的输入为反应温度和时间、pH、羰氨比，输出为美拉德反应程度综合评价值，利用经验公式（1）[23]计算出隐含层的节点数，从而构建4-m-1的网络结构，具体神经网络运行流程图如图1所示。对于数据集的划分为选取80%的数据用于训练，10%用于测试，10%用于验证，以完成完整的网络学习训练和预测过程。
(1) 式中：m为隐含层节点数；n为输入层节点数；l为输出层节点数；a为[1，10]的常数。
1.2.7.2 虚拟样本的建立
虚拟样本的引入是为了获得可信的人工神经网络[24]。即在实际操作过程中，由于各种因素的影响，各输入变量的值和实际值必然会有微小的误差，这种误差是不可避免的，那么在此误差范围内的输入值应该对应相同的输出值[24]。因此本研究引入虚拟样本，引入虚拟样本的常见方法是在每个实际样本的各变量增加一个±Δi值，设定误差范围Δi=0.2%。按照L9（34）正交表的设计，使每个实际样本产生8个虚拟样本[22]，共得到72个虚拟样本，加上9个原本的样本共81个样本作为总的数据样本。第一个虚拟样本设置见表2。
表 2 第一个样本产生的虚拟样本Table 2. Dummy sample produced by the first sample序号 A B C D 1 100.2 2.0040 7.0140 1.9960 2 100.2 2.0040 7.0140 2.0040 3 100.2 1.9960 6.9860 2.0040 4 100.2 1.9960 6.9860 1.9960 5 99.8 2.0040 7.0140 2.0040 6 99.8 2.0040 7.0140 1.9960 7 99.8 1.9960 6.9860 1.9960 8 99.8 1.9960 6.9860 2.0040 1.2.7.3 遗传算法寻优
基于1.2.7.1构建的人工神经网络，结合GA构成BP-GA模型进行目标寻优，对样本进行全面仿真实验。设置最大遗传代数为100，变量的二进制位数为8，变异概率为0.01，交叉概率为0.8，代沟0.25，运行Matlab R2021a程序，得到每代种群平均适应度变化结果，以此寻找到函数的全局最优值。
1.2.7.4 BP-GA神经网络预测及验证
根据BP-GA神经网络模型预测出的茶氨酸-葡萄糖最佳反应条件进行实验，每个样品做3组平行实验，比较BP-GA预测值与实验验证值之间的误差。依据以往的研究[25]，采用均方根误差（root mean square error，RMSE）、平均绝对偏差（Mean Absolute Error，MAE）和决定系数（R2）作为评价指标来判断模型预测值与真实值差异性以及模型的可靠性，RMSE和MAE越小，R2越接近1时说明模型的可靠性以及拟合性良好。
1.3 数据处理
应用SPSS 22软件用于正交试验设计、熵值法分析以及数据处理，每次实验进行三次平行实验并取平均值进行分析。对结果进行单因素方差分析以及LSD检验和Duncan检验，P<0.05表示差异具有统计学意义。Matlab R2021a软件用于BP-GA神经网络构建的实现。Graphpad Prism8.0软件用于制作图形。
2. 结果与分析
2.1 单因素实验结果
2.1.1 反应温度对茶氨酸-葡萄糖美拉德反应的影响
温度被认为是影响美拉德反应的最重要因素。由图2（a）和图2（b）可知，随着温度升高，早期荧光产物以及中间产物生成量呈先上升后下降的趋势。当温度为120 ℃时，早期荧光产物以及中间产物生成量显著增加（P<0.05），之后逐渐降低，原因可能是美拉德反应早期荧光产物以及中间产物的消耗速率大于生成速率，同时消耗的这些物质作为最后阶段产物的前体物质[16]，导致了最终产物的显著增加（P<0.05）。由图2（c）可知，在不同的反应温度下，体系中茶氨酸和葡萄糖浓度均随着反应进行而减小，温度为140 ℃，两种底物浓度显著下降（P<0.05），这主要是由于温度升高导致了开链葡萄糖含量的增加，从而导致了反应的加剧[26]。图2（d）表明，随着温度的升高，茶氨酸的消耗量以及酸性物质的生成量增加，直接导致了体系pH的显著下降（P<0.05），这与Ni等[27]的研究结果一致。综合各个方面因素，选择100、120、140 ℃进行后续的正交试验。
![]()
2.1.2 反应时间对茶氨酸-葡萄糖美拉德反应的影响
评估时间对美拉德反应的影响同样是重要的。由图3（a）和图3（b）可知，随着加热时间的增加，早期荧光产物以及中间产物生成量呈不规则的变化趋势。当时间为2 h时，早期荧光产物生成量显著下降（P<0.05），之后3 h时又显著增加（P<0.05），可能是由早期荧光产物的生成与消耗速率的相对大小导致的[17]。而最终阶段产物在3 h时显著增加（P<0.05），达到稳定值后略有下降，这可能是由于随着反应进行，终产物逐渐积累，到达一定程度后，反应继续进行导致了部分终产物分解[4]。由图3（c）可知，随着反应的进行，茶氨酸与葡萄糖的浓度一直在下降，并且葡萄糖浓度的下降速度要比茶氨酸快，这说明葡萄糖可能参与了其他反应，比如葡萄糖热分解反应和茶氨酸热降解反应[28]。图3（d）表明，随着加热时间增加，体系pH呈下降趋势，当时间为4 h时，pH显著下降（P<0.05）；5 h时pH下降不显著（P>0.05），这可能是由于底物浓度逐渐变小，反应速率放缓，最后直接导致了体系pH趋于稳定。综合评价后，选择2、3、4 h进行后续的正交试验。
![]()
图 3 反应时间对茶氨酸-葡萄糖美拉德反应的影响Figure 3. Effect of reaction time on theanine-glucose Maillard reaction2.1.3 pH对茶氨酸-葡萄糖美拉德反应的影响
美拉德反应与体系pH的关系不仅体现在美拉德反应的进行会导致体系pH的下降，还体现在体系初始pH对美拉德反应程度的影响上。结果如图4所示。由图4（a）和图4（b）可知，随着体系pH的增加，早期荧光产物以及中间产物生成量总体呈现上升趋势，这表明pH升高有利于反应的进行，这可能是由于随着pH升高，体系游离的氨基浓度增加，加快了反应进行[29]；同时pH为7时的早期荧光产物生成量较低，这可能是由于中性条件下的阴阳离子平衡不利于荧光产物的生成[4]。同样的结论也在反应物浓度的变化中得到了验证，图4（c）表明，随着pH的升高，茶氨酸和葡萄糖的浓度呈下降趋势，当pH为8时，茶氨酸和葡萄糖浓度显著下降（P<0.05），这与李伶俐等[26]的研究结果一致。同时，图4（d）表明，反应进行可能导致了酸性物质的产生，从而使得体系的终pH均降低。综合考虑，选择pH为7、8、9进行后续的正交试验。
2.1.4 羰氨比对茶氨酸-葡萄糖美拉德反应的影响
羰氨比对美拉德反应程度的影响具有不确定性。由图5（a）和图5（b）可知，随着羰氨比的减小，早期荧光值和吸光度值均呈现上升的趋势，结合图5（c）茶氨酸和葡萄糖的浓度变化情况，可以得出，在一定的反应温度和时间范围内，茶氨酸浓度的增大可能加快了美拉德反应的进行，这与程传玲等[30]的研究结果一致。图5（d）表明，体系pH同样发生了不同程度的下降，这与前面的研究结果是一致的。综合考虑后，选择羰氨比为2:1、1:1、1:2进行后续的正交试验。
![]()
图 5 羰氨比对茶氨酸-葡萄糖美拉德反应的影响Figure 5. Effect of carboamide ratio on theanine-glucose Maillard reaction2.2 正交试验结果
为了确定较优的反应条件，在单因素实验的基础上进行了正交试验，根据每个因素优选出的三个水平，组成了L9（34）正交试验，具体的实验结果如表3所示，极差分析结果见表4。
表 3 正交试验测定结果Table 3. Results of orthogonal test实验号 A B C D A294 A420 荧光值 葡萄糖浓度
（mol/L）茶氨酸浓度
（mol/L）1 1 1 1 1 0.42 0.08 362 0.09 0.14 2 1 2 3 2 0.33 0.19 309 0.08 0.10 3 1 3 2 3 0.30 0.27 275 0.06 0.08 4 2 1 3 3 0.38 0.14 407 0.09 0.12 5 2 2 2 1 0.27 0.29 381 0.07 0.08 6 2 3 1 2 0.20 0.42 315 0.04 0.06 7 3 1 2 2 0.40 0.26 395 0.03 0.05 8 3 2 1 3 0.45 0.39 427 0.06 0.09 9 3 3 3 1 0.24 0.51 259 0.02 0.03 表 4 极差分析结果Table 4. Results of test range analysis评价因子 指标 A B C D A294 k1 0.35 0.40 0.36 0.31 k2 0.28 0.35 0.32 0.31 k3 0.36 0.25 0.32 0.38 r1 0.08 0.15 0.04 0.07 A420 k1 0.18 0.16 0.30 0.29 k2 0.28 0.29 0.27 0.29 k3 0.39 0.40 0.28 0.27 r2 0.21 0.24 0.02 0.03 荧光值 k1 315.33 388.00 368.00 334.00 k2 367.67 372.33 350.33 339.67 k3 360.33 283.00 325.00 369.67 r3 52.33 105.00 43.00 35.67 葡萄糖浓度 k1 0.08 0.07 0.06 0.06 k2 0.07 0.07 0.05 0.05 k3 0.04 0.04 0.06 0.07 r4 −0.04 −0.03 −0.01 −0.02 茶氨酸浓度 k1 0.11 0.10 0.10 0.08 k2 0.09 0.09 0.07 0.07 k3 0.06 0.06 0.08 0.10 r5 −0.05 −0.05 −0.03 −0.03 由表4可得，以A294为美拉德反应程度的唯一评价指标时，茶氨酸和葡萄糖的模型体系最优反应条件为A3B1C1D3，影响因素的主次顺序为B>A>D>C，即最优条件为反应温度140 ℃，反应时间为2 h，pH为7，羰氨比为1:2；以A420为美拉德反应程度的唯一评价指标时，茶氨酸和葡萄糖的模型体系最优反应条件为A3B3C1D1，影响因素的主次顺序为B>A>D>C，即最优条件为反应温度140 ℃，反应时间为4 h，pH为7，羰氨比为2:1；以荧光值为美拉德反应程度的唯一评价指标时，茶氨酸和葡萄糖的模型体系最优反应条件为A2B1C1D3，影响因素的主次顺序为B>A>C>D，即最优条件为反应温度120 ℃，反应时间为2 h，pH为7，羰氨比为1:2；以葡萄糖浓度为美拉德反应程度的唯一评价指标时，考虑到节省能源以及试剂的原因，茶氨酸和葡萄糖的模型体系最优反应条件选择A1B1C1D3，影响因素的主次顺序为A>B>D>C，即最优条件为反应温度100 ℃，反应时间为2 h，pH为7，羰氨比为1:2；以茶氨酸浓度为美拉德反应程度的唯一评价指标时，茶氨酸和葡萄糖的模型体系最优反应条件为A1B1C1D3，影响因素的主次顺序为A=B>C=D，即最优条件为反应温度100 ℃，反应时间为2 h，pH为7，羰氨比为1:2。
2.3 验证实验
根据正交试验可以得到4个不同的最优水平组合，综合全部评价指标进行进一步择优，可以确定反应时间为2 h，pH为7，羰氨比为1:2，结合2.1.1中反应温度对美拉德反应的影响，当反应温度为140 ℃时，反应进行更加充分，确定反应温度为140 ℃，即选择A3B1C1D3进行验证实验，结果A294为0.45，A420为0.56，荧光值为452，葡萄糖浓度为0.04 mol/L，茶氨酸浓度为0.07 mol/L，基本优于正交试验各组合的实验值，表明该最优水平组合确定的反应条件为最佳条件。
2.4 熵值法求权重的结果
用SPSS 22 进行熵值法的求解，得到美拉德反应的综合评价公式：y=葡萄糖浓度×0.2874+荧光值×0.1964+A420×0.1835+A294×0.1776+茶氨酸浓度×0.1552，式中y表示美拉德反应综合评价值。熵值法求权重的结果如表5。
表 5 熵值法求权重的结果Table 5. Result of the entropy value method指标 A294 A420 荧光值 葡萄糖浓度
（mol/L）茶氨酸浓度
（mol/L）差异系数 0.1029 0.1063 0.1138 0.1665 0.0899 权重 0.1776 0.1835 0.1964 0.2874 0.1552 2.5 BP神经网络构建与结果
2.5.1 BP神经网络的构建
利用MatlabR 2021a软件对正交试验结果及其生成的虚拟样本进行BP神经网络分析，构建了三层BP神经网络分析模型，采用“tansig”、“purelin”函数分别作为连接输入层和隐含层以及隐含层和输出层的传递函数，“trainlm”作为训练函数[31]。将反应温度、反应时间、初始pH值、羰氨比作为模型的4个输入神经元，中间一个隐藏层，将美拉德反应程度综合评价值作为模型的唯一输出神经元。隐含层的神经元个数m由式（1）确定，得出的取值范围为[3，13]。设置的训练参数为：训练次数1000次，训练步长为25，动量因子为0.01，训练目标误差为0.0001，最终得到隐含层神经元为9时，模型测试集具有最小的MSE和最大的R2，从而构建了一个4-9-1的网络拓扑结构，构建好的拓扑结构如图6所示。
2.5.2 BP神经网络的构建结果
利用构建好的BP神经网络对实验数据集进行训练，得到相应的结果后进行评价分析，评价指标为相关系数r，用来表示网络输出结果的拟合度。BP神经网络中拟合度是通过将实验的实际测试值与训练值、验证值进行比较得到的。如图7所示，训练数据、测试数据、验证数据以及所有数据的相关系数r分别为0.98054、0.9932、0.99083以及0.98265。四种样本的相关系数均达到0.90以上，说明BP人工神经网络模型对于训练、验证和测试样本都具有很好的拟合能力。综上，构建的BP人工神经网络模型对于实验结果的预测能力是良好的。基于此，可以运用此模型对茶氨酸-葡萄糖美拉德反应的条件进行优化。
![]()
图 7 训练、验证、测试以及所有数据与BP神经网络仿真输出值的拟合效果Figure 7. Training, validation, testing and fit of all data to the BP neural network simulation output values2.6 遗传算法优化结果
在已有结果的基础上，将BP神经网络与遗传算法进行耦联对茶氨酸-葡萄糖美拉德反应综合评价值进行全局寻优，遗传算法的参数见1.2.7.3，寻优结果见图8，图中最优值为美拉德反应综合评价值的倒数。适应度曲线在遗传模拟进行64代之后趋于平稳，得到最优值为0.01094，经过计算得到此时的美拉德反应综合评价值为91.41。此时对应的最优条件为：反应温度117.64 ℃，反应时间1.82 h，初始pH为7.27，羰氨比为1:2.33。根据食品加工以及实验室的实际条件，验证实验选择的反应条件为117.6 ℃，1.8 h，pH7.3，羰氨比1:2，测得的A294为0.50，A420为0.52，荧光值为473，葡萄糖浓度为0.05 mol/L，茶氨酸浓度为0.08 mol/L，计算得到的美拉德反应综合评价值为93.222.94。
![]()
图 8 遗传算法100次迭代寻优结果Figure 8. Results of optimization with 100 iterations of genetic algorithm2.7 BP-GA神经网络预测及验证
2.7.1 正交试验与BP-GA神经网络预测能力的比较
由表6可知，美拉德反应综合评价值的最优条件为A2B1C1D3，即反应温度为120 ℃，反应时间为2 h，pH为7，羰氨比为1:2。4个因素对美拉德反应综合评价值影响的重要次序为B>A>C>D，因此，在评价茶氨酸-葡萄糖美拉德反应时，控制反应温度和反应时间是十分重要的，这与吴爽等[32]的研究结果一致。由表7可知，正交试验的R2、MAE、RMSE分别为0.9060，2.0440，2.1477，神经网络的R2、MAE、RMSE分别为0.9980、1.8159、1.8260。较小的MAE和RMSE，较大的R2可以说明模型的拟合效果更好[25]。显然，BP-GA神经网络的MAE、RMSE均小于正交试验，且R2也更大，因此，BP-GA神经网络优化模型的拟合能力良好，预测结果更准确。这与其他领域的相关研究结果类似[33−34]。
表 6 正交试验样本美拉德反应综合评价值及模型仿真结果Table 6. Comprehensive evaluation value of orthogonal test sample Maillard reaction and model simulation results实验号 A B C D 综合
评价值仿真综合
评价值相对
误差1 1 1 1 1 71.23 71.29 0.06 2 1 2 3 2 60.82 61.33 0.51 3 1 3 2 3 54.14 54.68 0.54 4 2 1 3 3 80.07 80.27 0.20 5 2 2 2 1 74.96 75.04 0.08 6 2 3 1 2 62.00 62.35 0.35 7 3 1 2 2 77.71 77.94 0.23 8 3 2 1 3 84.05 84.16 0.11 9 3 3 3 1 51.01 51.24 0.13 k1 62.07 76.34 72.43 65.74 k2 72.34 73.28 68.94 66.84 k3 70.92 55.72 63.97 72.75 r 10.28 20.62 8.46 7.02 表 7 正交试验与BP-GA神经网络的比较Table 7. Comparison of orthogonal tests with BP-GA neural networks参数 正交试验 人工神经网络（BP-GA） R2 0.9060 0.9980 MAE 2.0440 1.8159 RMSE 2.1477 1.8260 2.7.2 正交试验与BP-GA神经网络预测值与实际值的比较
由表8可知，BP-GA神经网络实际值与预测值分别比正交试验高出4.77%与0.42%，实际值显著增大（P<0.05），并且相对误差要比正交试验要低，这说明神经网络模型优化后的结果比正交试验优化结果更贴近实际值，BP-GA神经网络模型仿真结果的可靠性更高，也更精确。综上所述，BP-GA人工神经网络模型比正交试验更适于优化茶氨酸-葡萄糖美拉德反应的条件。
表 8 人工神经网络结合遗传算法与正交试验的预测值和实际值比较Table 8. Comparison of predicted and actual values between artificial neural networks combined with genetic algorithms and orthogonal tests最优条件 美拉德反应综合评价值 A
反应温度（℃）B
反应时间（h）C
pHD
羰氨比实际值 预测值 相对误差 正交试验 120.0 2.0 7.0 1:2 88.97780.91b 91.0261 2.0483 BP-GA 117.6 1.8 7.3 1:2 93.22001.94a 91.4100 1.8100 注：不同小写字母表示差异显著（P<0.05），具有统计学意义，相同小写字母表示无显著差异（P>0.05）。 3. 结论
本研究将BP-GA神经网络用于茶氨酸-葡萄糖美拉德反应条件的优化，通过81组BP人工神经网络训练数据使得模型的拟合度达到0.95以上。相比于正交试验的优化结果，BP-GA神经网络模型使得美拉德反应综合评价的实际值与预测值分别提高了4.77%与0.42%，优化后的仿真误差也有了一定减小。因此，为了优化茶氨酸-葡萄糖美拉德反应条件，本文采用了BP-GA神经网络进行优化，最终得到的最优条件为：反应温度117.6 ℃，反应时间1.8 h，pH7.3，羰氨比1:2，此时的美拉德反应综合评价值为93.22，优化了茶氨酸-葡萄糖美拉德反应的条件，较大程度提高了美拉德反应综合评价值。综上所述，本研究运用的方法对模型美拉德反应条件的优化有着一定指导和借鉴价值，值得进一步推广。
-
![]()
![]()
图 3 反应时间对茶氨酸-葡萄糖美拉德反应的影响
Figure 3. Effect of reaction time on theanine-glucose Maillard reaction
![]()
图 5 羰氨比对茶氨酸-葡萄糖美拉德反应的影响
Figure 5. Effect of carboamide ratio on theanine-glucose Maillard reaction
![]()
图 7 训练、验证、测试以及所有数据与BP神经网络仿真输出值的拟合效果
Figure 7. Training, validation, testing and fit of all data to the BP neural network simulation output values
![]()
图 8 遗传算法100次迭代寻优结果
Figure 8. Results of optimization with 100 iterations of genetic algorithm
表 1 茶氨酸-葡萄糖美拉德反应条件优化的正交试验因素及水平设计
Table 1 Orthogonal test factors and level of theanine-glucose Maillard reaction condition optimization
水平 因素 A：反应温度
（℃）B：反应时间
（h）C：初始pH D：羰氨比 1 100 2 7 2:1 2 120 3 8 1:1 3 140 4 9 1:2 
下载: 导出CSV
表 2 第一个样本产生的虚拟样本
Table 2 Dummy sample produced by the first sample
序号 A B C D 1 100.2 2.0040 7.0140 1.9960 2 100.2 2.0040 7.0140 2.0040 3 100.2 1.9960 6.9860 2.0040 4 100.2 1.9960 6.9860 1.9960 5 99.8 2.0040 7.0140 2.0040 6 99.8 2.0040 7.0140 1.9960 7 99.8 1.9960 6.9860 1.9960 8 99.8 1.9960 6.9860 2.0040
下载: 导出CSV
表 3 正交试验测定结果
Table 3 Results of orthogonal test
实验号 A B C D A294 A420 荧光值 葡萄糖浓度
（mol/L）茶氨酸浓度
（mol/L）1 1 1 1 1 0.42 0.08 362 0.09 0.14 2 1 2 3 2 0.33 0.19 309 0.08 0.10 3 1 3 2 3 0.30 0.27 275 0.06 0.08 4 2 1 3 3 0.38 0.14 407 0.09 0.12 5 2 2 2 1 0.27 0.29 381 0.07 0.08 6 2 3 1 2 0.20 0.42 315 0.04 0.06 7 3 1 2 2 0.40 0.26 395 0.03 0.05 8 3 2 1 3 0.45 0.39 427 0.06 0.09 9 3 3 3 1 0.24 0.51 259 0.02 0.03
下载: 导出CSV
表 4 极差分析结果
Table 4 Results of test range analysis
评价因子 指标 A B C D A294 k1 0.35 0.40 0.36 0.31 k2 0.28 0.35 0.32 0.31 k3 0.36 0.25 0.32 0.38 r1 0.08 0.15 0.04 0.07 A420 k1 0.18 0.16 0.30 0.29 k2 0.28 0.29 0.27 0.29 k3 0.39 0.40 0.28 0.27 r2 0.21 0.24 0.02 0.03 荧光值 k1 315.33 388.00 368.00 334.00 k2 367.67 372.33 350.33 339.67 k3 360.33 283.00 325.00 369.67 r3 52.33 105.00 43.00 35.67 葡萄糖浓度 k1 0.08 0.07 0.06 0.06 k2 0.07 0.07 0.05 0.05 k3 0.04 0.04 0.06 0.07 r4 −0.04 −0.03 −0.01 −0.02 茶氨酸浓度 k1 0.11 0.10 0.10 0.08 k2 0.09 0.09 0.07 0.07 k3 0.06 0.06 0.08 0.10 r5 −0.05 −0.05 −0.03 −0.03
下载: 导出CSV
表 5 熵值法求权重的结果
Table 5 Result of the entropy value method
指标 A294 A420 荧光值 葡萄糖浓度
（mol/L）茶氨酸浓度
（mol/L）差异系数 0.1029 0.1063 0.1138 0.1665 0.0899 权重 0.1776 0.1835 0.1964 0.2874 0.1552
下载: 导出CSV
表 6 正交试验样本美拉德反应综合评价值及模型仿真结果
Table 6 Comprehensive evaluation value of orthogonal test sample Maillard reaction and model simulation results
实验号 A B C D 综合
评价值仿真综合
评价值相对
误差1 1 1 1 1 71.23 71.29 0.06 2 1 2 3 2 60.82 61.33 0.51 3 1 3 2 3 54.14 54.68 0.54 4 2 1 3 3 80.07 80.27 0.20 5 2 2 2 1 74.96 75.04 0.08 6 2 3 1 2 62.00 62.35 0.35 7 3 1 2 2 77.71 77.94 0.23 8 3 2 1 3 84.05 84.16 0.11 9 3 3 3 1 51.01 51.24 0.13 k1 62.07 76.34 72.43 65.74 k2 72.34 73.28 68.94 66.84 k3 70.92 55.72 63.97 72.75 r 10.28 20.62 8.46 7.02
下载: 导出CSV
表 7 正交试验与BP-GA神经网络的比较
Table 7 Comparison of orthogonal tests with BP-GA neural networks
参数 正交试验 人工神经网络（BP-GA） R2 0.9060 0.9980 MAE 2.0440 1.8159 RMSE 2.1477 1.8260
下载: 导出CSV
表 8 人工神经网络结合遗传算法与正交试验的预测值和实际值比较
Table 8 Comparison of predicted and actual values between artificial neural networks combined with genetic algorithms and orthogonal tests
最优条件 美拉德反应综合评价值 A
反应温度（℃）B
反应时间（h）C
pHD
羰氨比实际值 预测值 相对误差 正交试验 120.0 2.0 7.0 1:2 88.97780.91b 91.0261 2.0483 BP-GA 117.6 1.8 7.3 1:2 93.22001.94a 91.4100 1.8100 注：不同小写字母表示差异显著（P<0.05），具有统计学意义，相同小写字母表示无显著差异（P>0.05）。
下载: 导出CSV
-
[1] DENG S B, CUI H P, HAYAT K, et al. Comparison of pyrazines formation in methionine/glucose and corresponding Amadori rearrangement product model[J]. Food Chemistry,2022,382:132500. doi: 10.1016/j.foodchem.2022.132500
[2] YE Y K, YE S S, WANYAN Z X, et al. Producing beef flavors in hydrolyzed soybean meal-based Maillard reaction products participated with beef tallow hydrolysates[J]. Food Chemistry,2022,378:132119. doi: 10.1016/j.foodchem.2022.132119
[3] 邱婷婷, 谭啸, 李若男, 等. 壳聚糖-单糖美拉德反应产物的制备及其在抗菌和抗氧化中的应用研究进展[J]. 食品科学,2020,41(19):327−333. [QIU T T, TAN X, LI R N, et al. Research progress in preparation of chitosan-monosaccharide Maillard reaction products and their applications in antibacterial and antioxidant activities[J]. Food Science,2020,41(19):327−333.] QIU T T, TAN X, LI R N, et al. Research progress in preparation of chitosan-monosaccharide Maillard reaction products and their applications in antibacterial and antioxidant activities[J]. Food Science, 2020, 41（19）: 327−333.
[4] GULLóN B, MONTENEGRO M I, RUIZ-MATUTE A I, et al. Synthesis, optimization and structural characterization of a chitosan-glucose derivative obtained by the Maillard reaction[J]. Carbohydrate Polymers,2016,137:382−389. doi: 10.1016/j.carbpol.2015.10.075
[5] 林珮璇, 张宏婧, 陈继承. 丙氨酸和丁二酮Maillard反应形成烷基吡嗪化合物动力学分析[J]. 食品科学,2022,43(2):41−47. [LIN P X, ZHANG H J, CHEN J J, et al. Kinetic analysis of alkylpyrazine compound formed by Maillard reaction between alanine and butanedione[J]. Food Science,2022,43(2):41−47.] LIN P X, ZHANG H J, CHEN J J, et al. Kinetic analysis of alkylpyrazine compound formed by Maillard reaction between alanine and butanedione[J]. Food Science, 2022, 43（2）: 41−47.
[6] HAN Z S, JIANG Z D, ZHANG H, et al. Amadori reaction products of theanine and glucose:Formation, structure, and analysis in tea[J]. Journal of Agricultural and Food Chemistry,2022,70(37):11727−11737. doi: 10.1021/acs.jafc.2c04560
[7] MU W M, ZHANG T, JIANG B. An overview of biological production of L-theanine[J]. Biotechnol Advance,2015,33(3-4):335−342. doi: 10.1016/j.biotechadv.2015.04.004
[8] 姜鹏飞, 于文静, 孙娜, 等. 人工神经网络在食品工业中的应用[J]. 食品研究与开发,2021,42(13):188−196. [JIANG P F, YU W J, SUN N, et al. Application of artificial neural network in food industry[J]. Food Research and Development,2021,42(13):188−196.] JIANG P F, YU W J, SUN N, et al. Application of artificial neural network in food industry[J]. Food Research and Development, 2021, 42（13）: 188−196.
[9] 王绅. 基于人工神经网络的三文鱼烘烤过程数字模拟及仿真研究[D]. 大连:大连工业大学, 2020:70−75. [WANG S. Research on digital simulation and simulation of salmon baking process based on artificial neural network[D]. Dalian:Dalian Polytechnic University, 2020:70−75.] WANG S. Research on digital simulation and simulation of salmon baking process based on artificial neural network[D]. Dalian: Dalian Polytechnic University, 2020: 70−75.
[10] 潘海博, 覃璐琪, 黄燕婷, 等. 人工神经网络结合遗传算法优化保护剂提高罗伊氏乳杆菌抗冻性能[J]. 食品科学,2021,42(14):70−77. [PAN H B, QIN L Q, HUANG Y T, et al. Artificial neural network combined with genetic algorithm to optimize the protective agent to improve the frost resistance of Lactobacillus reuteri[J]. Food Science,2021,42(14):70−77.] PAN H B, QIN L Q, HUANG Y T, et al. Artificial neural network combined with genetic algorithm to optimize the protective agent to improve the frost resistance of Lactobacillus reuteri[J]. Food Science, 2021, 42（14）: 70−77.
[11] KONDAKCI T, ZHOU W B. Recent applications of advanced control techniques in food industry[J]. Food and Bioprocess Technology,2016,10(3):522−542.
[12] Samg G J C, HIROKI T, NICCOLO G, et al. Multiobjective geometry optimization of microchannel heat exchanger using real-coded genetic algorithm[J]. Applied Thermal Engineering, 2022, 202:202.
[13] ABHIPRIYA P, S A, CHANDRA P R. Application of artificial neural network-genetic algorithm and response surface methodology for optimization of ultrasound‐assisted extraction of phenolic compounds from cashew apple bagasse[J]. Journal of Food Process Engineering, 2021, 44(10).
[14] 张曦予, 李锐定, 莫明规, 等. 基于人工神经网络耦联遗传算法(BP-GA)优化干酪乳杆菌LTL1361冻干保护剂配方[J]. 食品工业科技,2022,43(21):175−184. [ZHANG X Y, LI R D, MO M G, et al. Optimization of lyophilized protective agent formulation of Lactobacillus casei LTL1361 based on artificial neural network coupled Genetic algorithm (BP-GA)[J]. Science and Technology of Food Industry,2022,43(21):175−184.] ZHANG X Y, LI R D, MO M G, et al. Optimization of lyophilized protective agent formulation of Lactobacillus casei LTL1361 based on artificial neural network coupled Genetic algorithm （BP-GA）[J]. Science and Technology of Food Industry, 2022, 43（21）: 175−184.
[15] 宋建忠, 陈盈盈, 杨婧, 等. 人工神经网络-遗传算法优化刺糖低聚糖提取工艺的研究[J]. 中国食品添加剂,2022,33(6):1−7. [SONG J Z, CHEN Y Y, YANG J, et al. Study on optimization of extraction process of Saccharose oligosaccharides by artificial neural network and Genetic algorithm[J]. China Food Additives,2022,33(6):1−7.] SONG J Z, CHEN Y Y, YANG J, et al. Study on optimization of extraction process of Saccharose oligosaccharides by artificial neural network and Genetic algorithm[J]. China Food Additives, 2022, 33（6）: 1−7.
[16] SHEN Y, HU L T, XIA B, et al. Effects of different sulfur-containing substances on the structural and flavor properties of defatted sesame seed meal derived Maillard reaction products[J]. Food Chemistry,2021,365:130463. doi: 10.1016/j.foodchem.2021.130463
[17] MORALES F J, JIMéNEZ-PéREZ S. Free radical scavenging capacity of Maillard reaction products as related to colour and fluorescence[J]. Food Chemistry,2001,72(1):119−125. doi: 10.1016/S0308-8146(00)00239-9
[18] LI Q, LI X, REN Z, et al. Physicochemical properties and antioxidant activity of Maillard reaction products derived from Dioscorea opposita polysaccharides[J]. LWT-Food Science and Technology,2021,149:111833. doi: 10.1016/j.lwt.2021.111833
[19] MILLER G L. Use of Dinitrosalicylic acid reagent for determination of reducing sugar[J]. Analytical Chemistry,2002,31(3):426−428.
[20] 高小红, 章小林, 袁华. 分光光度法测定茶叶中的茶氨酸[J]. 光谱实验室,2005,22(3):524−526. [GAO X H, ZHANG X L, YUAN H. Determination of theanine in tea by spectrophotometry[J]. Chinese Journal of Spectroscopy Laboratory,2005,22(3):524−526.] doi: 10.3969/j.issn.1004-8138.2005.03.021 GAO X H, ZHANG X L, YUAN H. Determination of theanine in tea by spectrophotometry[J]. Chinese Journal of Spectroscopy Laboratory, 2005, 22（3）: 524−526. doi: 10.3969/j.issn.1004-8138.2005.03.021
[21] YU H, ZHONG Q, XIE Y, et al. Kinetic study on the generation of furosine and pyrraline in a Maillard reaction model system of d-glucose and l-lysine[J]. Food Chemistry,2020,317:126458. doi: 10.1016/j.foodchem.2020.126458
[22] 尹乐斌, 邓鹏, 何平, 等. 基于遗传算法-神经网络及响应面法优化龙牙百合总黄酮提取工艺[J]. 食品研究与开发,2021,42(7):105−113. [YIN L B, DENG P, HE P, et al. The extraction process of total flavonoids from Lilium mongolica was optimized based on genetic algorithm-neural network and response surface method[J]. Food Research and Development,2021,42(7):105−113.] doi: 10.12161/j.issn.1005-6521.2021.07.017 YIN L B, DENG P, HE P, et al. The extraction process of total flavonoids from Lilium mongolica was optimized based on genetic algorithm-neural network and response surface method[J]. Food Research and Development, 2021, 42（7）: 105−113. doi: 10.12161/j.issn.1005-6521.2021.07.017
[23] 罗璇, 李莉. 基于人工神经网络的花生红衣色素的提取研究[J]. 食品工业科技,2016,37(17):162−166. [LUO X, LI L. Study on Extraction of peanut red Pigment based on artificial neural Network[J]. Science and Technology of Food Industry,2016,37(17):162−166.] LUO X, LI L. Study on Extraction of peanut red Pigment based on artificial neural Network[J]. Science and Technology of Food Industry, 2016, 37（17）: 162−166.
[24] 张纪兴, 陈燕忠. 人工神经网络建模结合遗传算法优化岗松油环糊精包合物制备工艺参数[J]. 中国药科大学学报,2011,42(4):324−328. [ZHANG J X, CHEN Y Z. Artificial neural network modeling and genetic algorithm were used to optimize the preparation parameters of cyclodextrin inclusion compound of pinus oleiferii[J]. Journal of China Pharmaceutical University,2011,42(4):324−328.] ZHANG J X, CHEN Y Z. Artificial neural network modeling and genetic algorithm were used to optimize the preparation parameters of cyclodextrin inclusion compound of pinus oleiferii[J]. Journal of China Pharmaceutical University, 2011, 42（4）: 324−328.
[25] 邹立飞, 郑鹏. 人工神经网络和响应面法优化薏苡仁酒发酵条件[J]. 中国酿造,2021,40(1):142−147. [ZOU L F, ZHENG P. Optimization of fermentation conditions of Coix seed wine by artificial neural network and response surface method[J]. China Brewing,2021,40(1):142−147.] doi: 10.11882/j.issn.0254-5071.2021.01.027 ZOU L F, ZHENG P. Optimization of fermentation conditions of Coix seed wine by artificial neural network and response surface method[J]. China Brewing, 2021, 40（1）: 142−147. doi: 10.11882/j.issn.0254-5071.2021.01.027
[26] 李伶俐, 曾茂茂, 陈洁, 等. 葡萄糖/L-半胱氨酸美拉德反应动力学的研究[J]. 食品工业科技,2011,32(10):73−75. [LI L L, ZENG M M, CHEN J, et al. Study on kinetics of glucose/L-cysteine Maillard reaction[J]. Science and Technology of Food Industry,2011,32(10):73−75.] LI L L, ZENG M M, CHEN J, et al. Study on kinetics of glucose/L-cysteine Maillard reaction[J]. Science and Technology of Food Industry, 2011, 32（10）: 73−75.
[27] NI Z J, LIU X, XIA B, et al. Effects of sugars on the flavor and antioxidant properties of the Maillard reaction products of camellia seed meals[J]. Food Chemistry X,2021,11:100127. doi: 10.1016/j.fochx.2021.100127
[28] LI M, HO C T, WANG J, et al. Formation of volatile heterocyclic compounds and open-chain amides of theanine in Model systems with glucose, tea leaves, and tea extract under tea-roasting conditions[J]. Journal of Agricultural and Food Chemistry,2022,70(22):6737−6746. doi: 10.1021/acs.jafc.2c02039
[29] 孙炜炜, 蔡超, 段丽萍, 等. 赖氨酸-木糖体系美拉德反应产物的优化制备及抑菌性[J]. 食品与机械,2021,37(1):40−43,48. [SUN W W, CAI C, DUAN L P, et al. Optimum preparation and bacteriostasis of Maillard reaction products of lysine-xylose system[J]. Food and Machinery,2021,37(1):40−43,48.] SUN W W, CAI C, DUAN L P, et al. Optimum preparation and bacteriostasis of Maillard reaction products of lysine-xylose system[J]. Food and Machinery, 2021, 37（1）: 40−43,48.
[30] 程传玲, 杨艳勤, 宋辉, 等. 果糖与羟脯氨酸美拉德反应条件的优化[J]. 河南农业科学,2014,43(4):147−151. [CHENG C L, YANG Y Q, SONH H, et al. Optimization of Maillard reaction conditions between fructose and hydroxyproline[J]. Journal of Henan Agricultural Sciences,2014,43(4):147−151.] CHENG C L, YANG Y Q, SONH H, et al. Optimization of Maillard reaction conditions between fructose and hydroxyproline[J]. Journal of Henan Agricultural Sciences, 2014, 43（4）: 147−151.
[31] 宋勇强, 贠建民, 安志刚, 等. 基于正交设计与人工神经网络模型的醋酸菌A3菌株醋酸发酵条件优化[J]. 食品工业科技,2013,34(5):142−146,150. [SONG Y Q, YUN J M, AN Z G, et al. Optimization of acetic acid fermentation conditions of acetic acid bacteria A3 strain based on orthogonal design and artificial neural network model[J]. Science and Technology of Food Industry,2013,34(5):142−146,150.] SONG Y Q, YUN J M, AN Z G, et al. Optimization of acetic acid fermentation conditions of acetic acid bacteria A3 strain based on orthogonal design and artificial neural network model[J]. Science and Technology of Food Industry, 2013, 34（5）: 142−146,150.
[32] 吴爽, 王涵, 王展, 等. 米糠多糖-乳清分离蛋白美拉德反应及其产物表征[J]. 食品科学2023, 44(4):131-138. [WU S, WANG H, WANG Z, et al. Characterization of rice bran polysaccharide-whey protein isolate Maillard reaction and its products[J]. Food Science, 2023, 44(4):131-138.] WU S, WANG H, WANG Z, et al. Characterization of rice bran polysaccharide-whey protein isolate Maillard reaction and its products[J]. Food Science, 2023, 44（4）: 131-138.
[33] 黄万有, 李德涛, 屈小娟, 等. 人工神经网络优化军曹鱼内脏鱼油酶法提取工艺参数[J]. 食品工业科技,2013,34(7):173−177. [HUANG W Y, LI D T, QU X J, et al. Optimization of enzymatic extraction of fish oil from cobia viscera by artificial neural network[J]. Science and Technology of Food Industry,2013,34(7):173−177.] HUANG W Y, LI D T, QU X J, et al. Optimization of enzymatic extraction of fish oil from cobia viscera by artificial neural network[J]. Science and Technology of Food Industry, 2013, 34（7）: 173−177.
[34] 单金卉, 陈季旺, 刘言, 等. 基于人工神经网络模型预测油炸外裹糊鱼块的丙烯酰胺含量[J]. 食品科学,2019,40(16):249−255. [SHAN J H, CHEN J W, LIU Y, et al. Prediction of acrylamide content in fried coated fish slices based on artificial neural network model[J]. Food Science,2019,40(16):249−255.] doi: 10.7506/spkx1002-6630-20180607-093 SHAN J H, CHEN J W, LIU Y, et al. Prediction of acrylamide content in fried coated fish slices based on artificial neural network model[J]. Food Science, 2019, 40（16）: 249−255. doi: 10.7506/spkx1002-6630-20180607-093
-
期刊类型引用(1)
1. 侯港华，丁哲. 新型食品加工技术对食品质量的影响分析. 中外食品工业. 2024(20): 7-9 . 
百度学术
其他类型引用(0)
下载:
计量
- 文章访问数: 101
- HTML全文浏览量: 12
- PDF下载量: 16
- 被引次数: 1
