基于GA-BP神經(jīng)網(wǎng)絡(luò)的鷹嘴豆美拉德肽的定向制備

美拉德肽（MRPs）是經(jīng)由美拉德反應(yīng)產(chǎn)生的一類具有風(fēng)味特征的短肽類化合物。美拉德肽增鮮效應(yīng)可實現(xiàn)產(chǎn)品在減鹽的同時提升鮮味呈現(xiàn)強(qiáng)度，并兼具抗氧化作用與殺菌抑菌作用[1-2]。作為新疆特色資源的鷹嘴豆，具有健胃消脾、滋潤養(yǎng)顏、抗骨質(zhì)疏松等藥用功能，同時其氨基酸組成均衡、生物利用率高、抗?fàn)I養(yǎng)因子低等特征，使得國內(nèi)外對鷹嘴豆蛋白的研究大量增加[3-4]。以鷹嘴豆蛋白為原料制備的美拉德肽產(chǎn)品在保有鷹嘴豆藥用功效的同時，兼具減鹽增鮮、殺菌抑菌的功能，既能夠滿足廣大消費者對健康飲食的追求，又能夠保證食物的口感品質(zhì)，消費市場將會很廣闊[5-6]。

正交試驗設(shè)計在多因素多水平方案設(shè)計等方面具有良好的均勻分散性，然而往往會產(chǎn)生試驗數(shù)據(jù)信息采集失真等現(xiàn)象，另外，前期研究發(fā)現(xiàn)不同美拉德反應(yīng)處理條件對最終產(chǎn)物的呈味效果有明顯影響，同時因各因素間復(fù)雜交互作用方式的存在而導(dǎo)致其作用途徑難以預(yù)測[7-8]。對照傳統(tǒng)的信息處理模式（人工觀察設(shè)計數(shù)學(xué)模型，利用實測數(shù)據(jù)驗證此模型的可靠性，再以此模型為基礎(chǔ)解決問題），神經(jīng)網(wǎng)絡(luò)設(shè)計可減少傳統(tǒng)信息處理模式人為造成的主觀失誤和分析偏差，直接利用實測數(shù)據(jù)，憑借其良好的自學(xué)習(xí)適應(yīng)能力與非線性映射能力，通過自動確定網(wǎng)絡(luò)結(jié)果來保證得到客觀的結(jié)果，同時能夠彌補(bǔ)正交試驗設(shè)計的一些不足[9-10]。再者，神經(jīng)網(wǎng)絡(luò)是一個黑箱模型（Black box，或稱經(jīng)驗?zāi)Ｐ停?，具有?qiáng)大的適應(yīng)性、容錯性和較好的對未知且復(fù)雜系統(tǒng)的仿真模擬能力，能夠完成對未知領(lǐng)域的探索及復(fù)雜問題的求解[11-12]。與神經(jīng)網(wǎng)絡(luò)模型結(jié)合的遺傳算法克服了傳統(tǒng)尋優(yōu)方法容易陷入局部最優(yōu)解的缺點，其處理對象的廣泛性和并行計算能力能夠保證其高效運行[13]。

本文以鷹嘴豆蛋白酶解液為反應(yīng)底物，通過正交設(shè)計與隨機(jī)設(shè)計來進(jìn)行試驗，以反應(yīng)產(chǎn)物美拉德肽的感官評定得分為導(dǎo)向，利用BP神經(jīng)網(wǎng)絡(luò)和遺傳算法對數(shù)據(jù)進(jìn)行處理，尋求最優(yōu)的工藝參數(shù)條件，從而達(dá)到定向制備鷹嘴豆蛋白美拉德風(fēng)味肽的目的。

1 材料與儀器

1.1 原料與試劑

鷹嘴豆，購于石河子農(nóng)貿(mào)市場；風(fēng)味蛋白酶、堿性蛋白酶，諾維信（中國）生物技術(shù)有限公司；D（+）-木糖等（食品級），棗莊藍(lán)健食品添加劑有限責(zé)任公司。

1.2 主要儀器

DK-8D數(shù)顯恒溫水浴鍋，金壇市醫(yī)療儀器廠；PHS-3C雷磁pH計，上海精科實業(yè)有限責(zé)任公司；Neofuge 15R臺式高速冷凍離心機(jī)，力康發(fā)展有限責(zé)任公司；美拉德高溫高壓反應(yīng)瓶，上海有機(jī)化學(xué)研究所。

2 試驗方法

2.1 鷹嘴豆蛋白酶解液的制備（CPH）

依據(jù)前期鷹嘴豆蛋白酶解試驗，雙酶（風(fēng)味蛋白酶和堿性蛋白酶）逐級酶解完畢后，將酶解液置于90～95℃的水浴中滅酶10 min，降溫，離心，取上清液濃縮，依次獲得水解度為23%，24%，25%，26%的酶解液[6]。

2.2 鷹嘴豆蛋白美拉德肽的制備（CMRP）

該步驟中利用神經(jīng)網(wǎng)絡(luò)優(yōu)化美拉德肽的制備工藝，選擇了工藝中涉及到的4個重要因素：反應(yīng)初始溫度、反應(yīng)時間、反應(yīng)的初始pH及D（+）-木糖添加量。

在反應(yīng)器中加入10.0 g不同水解度的鷹嘴豆蛋白酶解液（提供美拉德反應(yīng)所需要的氨基），然后加入 L-半胱氨酸（0.12 g）、L-丙氨酸（0.12 g）、L-谷氨酸（0.01 g）、I+G（0.01 g）、D（+）-木糖（0.90～1.20 g，作為待優(yōu)化因素）、維生素B1（0.12 g），勻速攪拌至均勻混合，調(diào)整混合液的 pH 值，在油浴高溫條件下進(jìn)行反應(yīng)，一定時間后，取出反應(yīng)器置于冰浴中，快速冷卻，達(dá)到室溫后進(jìn)行感官分析[6]。

正交試驗設(shè)計的因素水平見表1。

表1 正交試驗因素水平表Table 1 Factors of orthogonal test

2.3 描述性感官評定

采用描述性感官分析法對MRP樣品進(jìn)行分析，具體操作過程如下：①構(gòu)建評定小組：8名感官評定員（3男，5女，年齡21～25歲）；②對小組成員進(jìn)行培訓(xùn)，建立5個感官屬性（肉味、鮮味、持續(xù)感、焦糊味和H2S味）的評定標(biāo)準(zhǔn)；③小組成員達(dá)成統(tǒng)一后，采用5點間隔評分法評定呈味強(qiáng)度（0～5分表示強(qiáng)度從沒有檢出到非常強(qiáng)烈）；④匯總統(tǒng)計分析小組人員評定結(jié)果數(shù)據(jù)[4-5]。

3 BP神經(jīng)網(wǎng)絡(luò)設(shè)計

3.1 設(shè)計網(wǎng)絡(luò)的結(jié)構(gòu)

使用Matlab 2016b軟件進(jìn)行編程，將BP神經(jīng)網(wǎng)絡(luò)設(shè)計為3層網(wǎng)絡(luò)。輸入層設(shè)定5個神經(jīng)元：水解度、反應(yīng)初始溫度、反應(yīng)時間、反應(yīng)的初始pH及D（+）-木糖添加量；隱含層通過具體設(shè)計比較后設(shè)定為10個神經(jīng)元；感官評分設(shè)定為輸出層。網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu)為5-10-1型，應(yīng)用該網(wǎng)絡(luò)模擬仿真CMRP的制備過程，進(jìn)而分析各因素對CMRP的感官屬性的影響[14-16]。

3.2 選擇樣品及訓(xùn)練網(wǎng)絡(luò)

學(xué)習(xí)樣本的選定，一般采用“留一法”，將全部樣本數(shù)據(jù)用隨機(jī)的方法，分出一部分作為訓(xùn)練樣本，另一部分作為網(wǎng)絡(luò)性能的檢測數(shù)據(jù)[17-18]。本研究主要結(jié)合正交試驗與隨機(jī)試驗獲得32組試驗數(shù)據(jù)（表2），選擇其中28組為訓(xùn)練樣本，其余4組為檢驗樣本，所有樣本中都包括神經(jīng)網(wǎng)絡(luò)的輸入向量及期望輸出向量。

數(shù)據(jù)預(yù)處理時用mapminmax函數(shù)做歸一化處理；網(wǎng)絡(luò)訓(xùn)練過程中，設(shè)定訓(xùn)練目標(biāo)誤差為0.0001，學(xué)習(xí)速率為0.05，最大訓(xùn)練步數(shù)為100；設(shè)定網(wǎng)絡(luò)的結(jié)構(gòu)（網(wǎng)絡(luò)層次、每層含神經(jīng)元的個數(shù)及神經(jīng)元的激活函數(shù)）、學(xué)習(xí)方法及目標(biāo)誤差后，開始運行網(wǎng)絡(luò)。

表2 試驗數(shù)據(jù)Table 2 Experimental data

3.3 仿真模擬

采用“留一法”訓(xùn)練BP神經(jīng)網(wǎng)絡(luò)模型及評價模型的預(yù)測能力。通過該步驟的檢驗可以直接反應(yīng)所建網(wǎng)絡(luò)模型的模擬效果以及預(yù)測的可行性，即網(wǎng)絡(luò)輸出值與試驗的平均值越接近，訓(xùn)練的網(wǎng)絡(luò)精度越高，模擬效果越好。這樣就成功克服了不同因素間高度非線性交互關(guān)系，構(gòu)建了它們之間的精確映射關(guān)系[19-21]。然后保存網(wǎng)絡(luò)模型，作為遺傳算法的適應(yīng)度函數(shù)繼續(xù)使用。

3.4 遺傳算法尋優(yōu)

遺傳算法（genetic algorithm，GA）是解決最優(yōu)化問題的一種全局多點搜索算法，它的搜尋方向不是采用確定性規(guī)則，而是采用概率變遷規(guī)則[22-23]?；谄涮攸c，將其與神經(jīng)網(wǎng)絡(luò)結(jié)合尋求定向制備CMRP的工藝參數(shù)，二者的銜接點在于訓(xùn)練好的網(wǎng)絡(luò)模型可以作為遺傳算法的適應(yīng)度函數(shù)進(jìn)行使用。

GA將一次試驗完整的操作視為一個個體（其屬性為該試驗對應(yīng)的工藝參數(shù)值的數(shù)組表示），將試驗的感官評定得分視為某個體的適應(yīng)度值，每個個體在進(jìn)行交叉（即生物學(xué)中母本和父本的染色體交換并產(chǎn)生新個體的過程）、變異（為保證通過選擇和交叉操作恢復(fù)可能丟失的好的遺傳物質(zhì)提供安全網(wǎng)絡(luò)）、再交叉操作時，都會產(chǎn)生新的不同的工藝參數(shù)，對有限的試驗數(shù)據(jù)進(jìn)行擴(kuò)展，然后以訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)模型為適應(yīng)度函數(shù)進(jìn)行選擇操作，篩選適應(yīng)度值較高的個體進(jìn)入下一輪循環(huán)，直至進(jìn)化代數(shù)完成100為止[24-27]。

設(shè)定GA相關(guān)參數(shù)：迭代次數(shù) gen_max=100，種群規(guī)模size=20，交叉概率cross=0.4，變異概率mutation=0.2，采用浮點數(shù)編碼，個體長度length=5。

4 結(jié)果與討論

4.1 構(gòu)建與訓(xùn)練神經(jīng)網(wǎng)絡(luò)

經(jīng)過神經(jīng)網(wǎng)絡(luò)的反復(fù)自學(xué)習(xí)與訓(xùn)練，獲得最優(yōu)的神經(jīng)網(wǎng)絡(luò)模型參數(shù)并結(jié)束訓(xùn)練。

圖1為神經(jīng)網(wǎng)絡(luò)的誤差下降曲線，橫坐標(biāo)是訓(xùn)練的步數(shù)，縱坐標(biāo)是均方誤差（MSE），MSE是衡量“平均誤差”的一種較方便的方法，可以評價數(shù)據(jù)的變化程度，MSE值越小，說明所建立的神經(jīng)網(wǎng)絡(luò)模型描述試驗數(shù)據(jù)具有更好的精確度。在網(wǎng)絡(luò)訓(xùn)練過程中，隨著訓(xùn)練步數(shù)的增加，網(wǎng)絡(luò)誤差曲線趨近于誤差目標(biāo)值0.0001，對于感官評分神經(jīng)網(wǎng)絡(luò)在第4步時，訓(xùn)練網(wǎng)絡(luò)性能達(dá)到目標(biāo)要求，在第5步時已經(jīng)超過了0.000001，網(wǎng)絡(luò)訓(xùn)練較穩(wěn)定且收斂迅速，模型能夠滿足試驗需求；驗證網(wǎng)絡(luò)與測試網(wǎng)絡(luò)與目標(biāo)值的MSE值隨著訓(xùn)練步數(shù)的增加而減小，最好的驗證性能是0.1861，與真實值相差無幾，證明該神經(jīng)網(wǎng)絡(luò)模型可用。

圖1 神經(jīng)網(wǎng)絡(luò)的誤差下降曲線Fig.1 Error drop curve of neural network

圖2為神經(jīng)網(wǎng)絡(luò)結(jié)果評估圖，即目標(biāo)輸出值（x軸）與仿真模擬輸出值（y軸）回歸曲線圖，回歸方程的確定性系數(shù)R2（coefficient of determination），表示方程中變量X對Y的解釋程度，R2值越接近1，方程的解釋能力越強(qiáng)。R2=0.8925，說明該神經(jīng)網(wǎng)絡(luò)模型的解釋能力很強(qiáng)且仿真誤差較小，該神經(jīng)網(wǎng)絡(luò)具有較高的精度，能夠保證較好的模擬仿真效果，因此，訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)模型能夠較好地模擬并表達(dá)輸入端的5個因素變量與輸出端的一個感官得分之間的映射對應(yīng)關(guān)系。

圖2 神經(jīng)網(wǎng)絡(luò)結(jié)果評估圖Fig.2 Evaluation on neural network

4.2 檢測神經(jīng)網(wǎng)絡(luò)

應(yīng)用以上訓(xùn)練好的網(wǎng)絡(luò)對檢測樣本進(jìn)行預(yù)測，然后與試驗值對比，其結(jié)果如表3，經(jīng)過訓(xùn)練的BP神經(jīng)網(wǎng)絡(luò)具有較好的預(yù)測能力，能比較好的對美拉德風(fēng)味肽制備模型模擬和預(yù)測，且預(yù)測值與實測值的相對誤差都在±1%左右，說明網(wǎng)絡(luò)的預(yù)測效果很好，因此保存該網(wǎng)絡(luò)模型。

4.3 遺傳算法尋優(yōu)

該步驟是對網(wǎng)絡(luò)模型優(yōu)化參數(shù)的完善。設(shè)定GA的基本參數(shù)后，調(diào)用以網(wǎng)絡(luò)模型為fitness函數(shù)、以感官得分最大為目標(biāo)的遺傳算法進(jìn)行優(yōu)化，迭代100次后，運行出的優(yōu)化結(jié)果為：最優(yōu)感官評價得分為4.9627（取近似值5.0），最優(yōu)工藝參數(shù)為水解度24.1346%、反應(yīng)初始溫度85.1013℃、反應(yīng)時間 30.9494 min、反應(yīng)初始 pH 9.7291、D（+）-木糖添加量1.1717 g，其適應(yīng)度曲線如圖3。

表3 網(wǎng)絡(luò)模型的預(yù)測結(jié)果及誤差Table 3 The prediction results and error of net model

圖3 感官評定得分的適應(yīng)度曲線Fig.3 The fitness curve of the taste intensity value

圖3為個體（試驗操作）的適應(yīng)度值（感官評定得分）隨進(jìn)化代數(shù)的變化曲線。第1～15代，GA在進(jìn)行平穩(wěn)的交叉操作，適應(yīng)度值沒有發(fā)生變化，第15代時發(fā)生了一次選擇操作，被選擇個體的適應(yīng)度值有了小范圍的正向（向目標(biāo)靠近）變化；在后續(xù)的交叉操作中，GA增加了變異操作，在第45代時發(fā)生了一次選擇操作，被選擇個體的適應(yīng)度值發(fā)生了斷崖式的正向變化，GA的群體搜索特性發(fā)揮了明顯的作用；經(jīng)過交叉-選擇-變異-交叉-選擇的循環(huán)迭代操作，當(dāng)進(jìn)化代數(shù)增加到100代時，GA停止并輸出適應(yīng)度值最高（圖中為負(fù)值，取最小值）的個體。

按照優(yōu)化結(jié)果對應(yīng)的工藝參數(shù)進(jìn)行驗證試驗，其結(jié)果見表4。

表4 優(yōu)化結(jié)果及驗證比較Table 4 The optimization results and comparative validation

表4數(shù)據(jù)中，驗證試驗的感官得分為4.8，比模型優(yōu)化值5.0分低4.17%，但是相對誤差保持在±5%以內(nèi)，符合BP神經(jīng)網(wǎng)絡(luò)模型對精確度的要求。表明該神經(jīng)網(wǎng)絡(luò)與遺傳算法優(yōu)化鷹嘴豆酶解的工藝參數(shù)可以獲得較為理想的感官得分值。因此，GA-BP網(wǎng)絡(luò)優(yōu)化的最優(yōu)工藝為：水解度24%，反應(yīng)初始溫度85℃、反應(yīng)時間31 min、反應(yīng)初始pH 9.7、D（+）-木糖添加量 1.2 g。

5 結(jié)論

本試驗以鷹嘴豆蛋白為原料，通過雙酶（風(fēng)味蛋白酶和堿性蛋白酶）逐級定向酶解制備不同水解度（DH%）鷹嘴豆蛋白酶解液，以此為底物采用描述性感官分析（DSA）比較經(jīng)典模式美拉德反應(yīng)體系制備所獲得風(fēng)味肽產(chǎn)品的風(fēng)味特征；以matlab 2016b為平臺，利用其工具箱建立BP神經(jīng)網(wǎng)絡(luò)（拓?fù)鋱D為5-10-1）和遺傳算法優(yōu)化模型進(jìn)行工藝參數(shù)的尋優(yōu)計算，并進(jìn)行美拉德風(fēng)味肽制備模型模擬仿真和預(yù)測，相關(guān)研究成果可為高品質(zhì)蛋白增鮮基料制備提供技術(shù)借鑒。

BP神經(jīng)網(wǎng)絡(luò)和遺傳算法的優(yōu)化結(jié)果（水解度24%、反應(yīng)初始溫度85℃、反應(yīng)時間31 min、反應(yīng)初始 pH 9.7、D（+）-木糖添加量 1.2 g）的感官評分與驗證試驗的分值相差在5%以內(nèi)。經(jīng)過驗證試驗表明該參數(shù)制備的美拉德肽呈現(xiàn)明顯的肉味、鮮味和較長的持續(xù)感，可以作為鷹嘴豆蛋白風(fēng)味肽產(chǎn)品熱反應(yīng)最佳反應(yīng)條件。