基于神經(jīng)網(wǎng)絡(luò)算法的龍山小米γ-氨基丁酸富集工藝優(yōu)化

張一鳴，和法濤，葛邦國，高 玲

（中華全國供銷合作總社 濟(jì)南果品研究院，山東 濟(jì)南 250014）

龍山小米特產(chǎn)于山東省濟(jì)南市章丘區(qū)，是全國農(nóng)產(chǎn)品地理標(biāo)志，也是歷史上全國四大貢米之一。龍山小米香味濃郁且營養(yǎng)豐富，富含多種微量元素和生物活性成分[1-4]。目前龍山小米主要以鮮銷為主，通過精深加工制備的高附加值產(chǎn)品較少，產(chǎn)業(yè)產(chǎn)值較低，亟需轉(zhuǎn)型升級(jí)。γ-氨基丁酸廣泛存在于谷物作物中，具有降血壓、改善腦機(jī)能、防止動(dòng)脈硬化等功能，植物性來源的γ-氨基丁酸產(chǎn)品因其安全性、天然性的特點(diǎn)備受研究者關(guān)注[5-7]。已有研究表明，通過谷物發(fā)芽的方式，可有效提高谷物中γ-氨基丁酸含量，并進(jìn)行高附加值產(chǎn)品開發(fā)[8-10]。

神經(jīng)網(wǎng)絡(luò)（Artificial neural networks，ANN）是一種數(shù)據(jù)分析方法，通過模仿大腦的神經(jīng)網(wǎng)絡(luò)行為特點(diǎn)對(duì)數(shù)據(jù)進(jìn)行處理，具有極強(qiáng)的非線性映射能力，廣泛應(yīng)用于生物、農(nóng)業(yè)、機(jī)械等領(lǐng)域的模型建立[11-12]。遺傳算法(（Genetic algorithm，GA)是一種基于人工智能的隨機(jī)非線性優(yōu)化方式，可實(shí)現(xiàn)隨機(jī)、自適應(yīng)、并行性全局搜索尋優(yōu)[11-12]。通過遺傳算法結(jié)合神經(jīng)網(wǎng)絡(luò)進(jìn)行工藝優(yōu)化，可有效避免傳統(tǒng)優(yōu)化方法易產(chǎn)生局部最優(yōu)解的情況，更適合進(jìn)行全局最優(yōu)組合設(shè)計(jì)[11-15]。將神經(jīng)網(wǎng)絡(luò)算法應(yīng)用于龍山小米 γ-氨基丁酸富集工藝的研究尚未見報(bào)道。

本研究將神經(jīng)網(wǎng)絡(luò)應(yīng)用于龍山小米 γ-氨基丁酸富集工藝優(yōu)化，以期為龍山小米產(chǎn)品開發(fā)提供新思路，延伸龍山小米加工產(chǎn)業(yè)鏈，推動(dòng)地方特色農(nóng)產(chǎn)品經(jīng)濟(jì)發(fā)展，促進(jìn)我國新舊動(dòng)能轉(zhuǎn)換。

1 材料與方法

1.1 材料與試劑

小米，章丘龍山小米（糙米）：購于山東省濟(jì)南市章丘區(qū)；

γ-氨基丁酸標(biāo)準(zhǔn)品，色譜純級(jí)：美國 Sigma公司；乙腈，色譜純級(jí)：美國TEDIA公司；磷酸，分析純級(jí)：北京化工廠；硼酸、鄰苯二甲醛、巰基乙醇、氫氧化鈉、醋酸、三乙胺、四氫呋喃、2-辛醇、甲醇，分析純級(jí)：國藥集團(tuán)化學(xué)試劑有限公司；三水乙酸鈉，分析純級(jí)：源葉生物有限公司。

1.2 儀器與設(shè)備

XS 365M電子天平：瑞士普里賽斯儀器有限公司；DS-56III雙螺桿擠壓膨化機(jī)：濟(jì)南賽信機(jī)械有限公司；500Y型高速多功能粉碎機(jī)：浙江銳騰食品機(jī)器有限公司；UV1000分光光度計(jì)：上海天美科學(xué)儀器有限公司。

MA160-1CN型水分分析測定儀：賽多利斯科學(xué)儀器（北京）有限公司；SPX-150B-Z型生化培養(yǎng)箱：上海博遠(yuǎn)實(shí)業(yè)有限公司；KQ-600E超聲波振蕩器：昆山舒美有限公司；2695型液相色譜儀：沃特世科技（上海）有限公司；500Y型紫外檢測器：Empower工作站。

1.3 實(shí)驗(yàn)方法

1.3.1 工藝流程

龍山小米→清洗→浸泡→發(fā)芽（富集 γ-氨基丁酸）→干燥

1.3.2 單因素實(shí)驗(yàn)

取一定量龍山小米不發(fā)芽作為空白組，另取一定量龍山小米作為實(shí)驗(yàn)組置于燒杯中，室溫浸泡一段時(shí)間后，置于培養(yǎng)箱中一定溫度下發(fā)芽。以 γ-氨基丁酸含量為指標(biāo)，單因素實(shí)驗(yàn)條件分別為浸泡時(shí)間4、8、12、16、20 h；發(fā)芽溫度25、30、35、40、45 ℃；發(fā)芽時(shí)間 12、24、36、48、60 h?？疾靻我蛩貙?shí)驗(yàn)條件時(shí)，設(shè)置固定條件為浸泡時(shí)間12 h；發(fā)芽溫度40 ℃；發(fā)芽時(shí)間48 h。分別測定空白組和實(shí)驗(yàn)組γ-氨基丁酸含量。

1.3.3 響應(yīng)面優(yōu)化實(shí)驗(yàn)

以浸泡時(shí)間（X1）、發(fā)芽溫度（X2）和發(fā)芽時(shí)間（X3）作為自變量，樣品γ-氨基丁酸含量作為因變量（y），進(jìn)行N=17的響應(yīng)面（Box-Behnken）優(yōu)化實(shí)驗(yàn)，結(jié)合單因素實(shí)驗(yàn)最優(yōu)結(jié)果，在滿足最優(yōu)工藝范圍的情況下，設(shè)置因素水平編碼表見表1。

表1 因素水平編碼表Table 1 Factor level coding table

1.3.4 BP神經(jīng)網(wǎng)絡(luò)

設(shè)置該神經(jīng)網(wǎng)絡(luò)模型拓?fù)浣Y(jié)構(gòu)為 3-10-1，其中神經(jīng)網(wǎng)絡(luò)設(shè)置輸入層為3個(gè)神經(jīng)元，即浸泡時(shí)間（X1）、發(fā)芽溫度（X2）和發(fā)芽時(shí)間（X3）；設(shè)置1個(gè)隱含層，包含10個(gè)神經(jīng)元，以滿足輸入層數(shù)據(jù)計(jì)算；將γ-氨基丁酸含量（Y）設(shè)為輸出層；通過模擬龍山小米發(fā)芽過程中的 γ-氨基丁酸含量變化，確定相關(guān)因素對(duì)龍山小米 γ-氨基丁酸含量的影響。拓?fù)浣Y(jié)構(gòu)圖見圖1。

圖1 神經(jīng)網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)Fig.1 The architecture of artificial neural network

本次優(yōu)化以建立的神經(jīng)網(wǎng)絡(luò)模型為遺傳算法的適應(yīng)度函數(shù)，利用適應(yīng)度函數(shù)對(duì)個(gè)體進(jìn)行選擇，進(jìn)而對(duì)龍山小米γ-氨基丁酸富集工藝進(jìn)行尋優(yōu)。

1.3.5 γ-氨基丁酸測定

采用高效液相色譜法測定γ-氨基丁酸的含量，測定方法結(jié)合NY/T 2890—2016《稻米中γ-氨基丁酸的測定 高效液相色譜法》和 QB/T 4587—2013《γ-氨基丁酸》。

稱取一定量樣品，研磨后過60目篩，加入一定量乙醇水溶液，超聲提取后靜置離心，取上清液，樣品殘?jiān)M(jìn)行2次提取，合并上清液。加入一定量鄰苯二甲醛-乙腈衍生劑，反應(yīng)后進(jìn)樣。

色譜分析條件：流動(dòng)相分為A相和B相。A相：稱一定量的結(jié)晶乙酸鈉，定容至1 000 mL，加一定量三乙胺，調(diào)整pH至7.20后加四氫呋喃，混合過濾備用。B相：按A相的方法配置，調(diào)好pH后按照體積比為甲醇∶乙酸鈉∶乙腈=2∶1∶2混合過濾備用。柱溫40 ℃、流速1.0 mL/min、檢測波長：338 nm。

1.4 數(shù)據(jù)分析

數(shù)據(jù)差異顯著性通過軟件 SPSS 22.0進(jìn)行分析，響應(yīng)面優(yōu)化實(shí)驗(yàn)通過軟件Design Expert 8.0進(jìn)行分析，神經(jīng)網(wǎng)絡(luò)建模和遺傳網(wǎng)絡(luò)尋優(yōu)通過軟件Matlab 2018b進(jìn)行。

2 結(jié)果與分析

2.1 工藝優(yōu)化結(jié)果

2.1.1 單因素實(shí)驗(yàn)

浸泡時(shí)間對(duì)樣品γ-氨基丁酸含量的影響見圖2。

圖2 浸泡時(shí)間對(duì)γ-氨基丁酸含量的影響Fig.2 Effect of soaking time on γ-aminobutyric acid content

由圖 2可知，隨著浸泡時(shí)間的上升，γ-氨基丁酸含量先顯著上升，當(dāng)達(dá)到12 h后呈下降趨勢。分析原因?yàn)樵谛∶捉葸^程中，小米吸水提高自身生物酶活性，促進(jìn)胚乳中的干物質(zhì)轉(zhuǎn)化為供給胚乳、發(fā)芽所需的營養(yǎng)成分，有利于 γ-氨基丁酸生成，故浸泡時(shí)間小于12 h時(shí)γ-氨基丁酸含量顯著上升。當(dāng)浸泡時(shí)間過長時(shí)，細(xì)胞結(jié)構(gòu)損傷導(dǎo)致水溶性物質(zhì)溶出，γ-氨基丁酸含量降低。故選擇12 h為單因素最適浸泡時(shí)間。

發(fā)芽溫度對(duì)樣品γ-氨基丁酸含量的影響見圖3。隨著發(fā)芽溫度的上升，γ-氨基丁酸含量呈現(xiàn)先顯著上升，當(dāng)達(dá)到 35 ℃后呈下降趨勢。分析原因?yàn)榘l(fā)芽溫度過高或者過低，都將抑制小米中谷氨酸脫羧酶的活力，進(jìn)而抑制γ-氨基丁酸的生成[6]。故選擇35 ℃為單因素最適發(fā)芽溫度。

圖3 發(fā)芽溫度對(duì)γ-氨基丁酸含量的影響Fig.3 Effect of germination temperature on γ-amino butyric acid content

發(fā)芽時(shí)間對(duì)γ-氨基丁酸含量的影響見圖4。

圖4 發(fā)芽時(shí)間對(duì)γ-氨基丁酸含量的影響Fig.4 Effect of germination time on γ-amino butyric acid content

由圖 4可知，隨著發(fā)芽時(shí)間的上升，γ-氨基丁酸含量呈先顯著上升，當(dāng)48 h后下降的趨勢。分析原因?yàn)?，小米蛋白在蛋白酶作用下生成谷氨酸，谷氨酸脫羧酶將谷氨酸轉(zhuǎn)化為γ-氨基丁酸，但較高的γ-氨基丁酸生成量，將激發(fā)γ-氨基丁酸轉(zhuǎn)氨酶的活性，使γ-氨基丁酸轉(zhuǎn)化為琥珀酸半醛，故過長的發(fā)芽時(shí)間，γ-氨基丁酸含量下降[8]。選擇48 h為單因素最適發(fā)芽時(shí)間。

2.1.2 響應(yīng)面實(shí)驗(yàn)優(yōu)化

響應(yīng)面優(yōu)化實(shí)驗(yàn)結(jié)果見表2。

表2 響應(yīng)面優(yōu)化實(shí)驗(yàn)結(jié)果Table 2 Test results of response surface optimization

使用 Design Expert 8.0.6中的 Box-Behnken模塊進(jìn)行響應(yīng)面優(yōu)化，得到Y(jié)二次多項(xiàng)方程

該二次項(xiàng)模型R2=0.98，說明該模型僅有2%的總量變異不能由模型因素解釋，同時(shí)模型信噪比=71.01＞4，說明該模型擬合程度較好，優(yōu)化結(jié)果較為可信。模型方差分析結(jié)果如表3所示。

由表3可知，該預(yù)測模型項(xiàng)P＜0.000 1，呈極顯著水平，模型失擬項(xiàng)P=0.245 2，呈不顯著水平，同時(shí)模型 X1、X2、X3、X1X2、X12、X22、X32項(xiàng)呈極顯著水平，模型X2X3項(xiàng)呈顯著水平，說明該預(yù)測模型擬合程度良好。

各因素對(duì)響應(yīng)值的影響見圖 5。由圖 5結(jié)合表3可知，浸泡時(shí)間和發(fā)芽溫度交互作用對(duì)γ-氨基丁酸含量影響極顯著（P＜0.01），發(fā)芽時(shí)間和發(fā)芽溫度交互作用對(duì) γ-氨基丁酸含量影響顯著（P＜0.05），浸泡時(shí)間和發(fā)芽時(shí)間交互作用對(duì) γ-氨基丁酸含量影響不顯著（P＞0.05）。

圖5 各因素交互作用對(duì)γ-氨基丁酸含量影響的響應(yīng)面和等高線圖Fig.5 Contours and response surface diagrams of the effects of various factors on the γ-amino butyric acid content

表3 方差分析Table 3 Analysis of variance

2.1.3 BP神經(jīng)網(wǎng)絡(luò)的建立與訓(xùn)練

神經(jīng)網(wǎng)絡(luò)誤差下降曲線圖如圖6所示。隨著訓(xùn)練次數(shù)的增加，模型的均方誤差逐漸逼近最優(yōu)誤差值。當(dāng)神經(jīng)網(wǎng)絡(luò)訓(xùn)練迭代到157次時(shí)，訓(xùn)練誤差達(dá)到最優(yōu)值0.000 2，表明該神經(jīng)網(wǎng)絡(luò)模型可信性較高。

圖6 BP神經(jīng)網(wǎng)絡(luò)均方誤差圖Fig.6 MSE curve of BP neural network

BP神經(jīng)網(wǎng)絡(luò)模型訓(xùn)練的相關(guān)系數(shù)見圖7。當(dāng)訓(xùn)練誤差為0.000 2時(shí)，BP神經(jīng)網(wǎng)絡(luò)模型訓(xùn)練的相關(guān)系數(shù)為 0.999（R＞0.95），結(jié)果表明本次訓(xùn)練的BP網(wǎng)絡(luò)模型對(duì)于訓(xùn)練樣本逼近能力較高，能較好的描述浸泡時(shí)間、發(fā)芽溫度、發(fā)芽時(shí)間和樣品 γ-氨基丁酸含量間的關(guān)系，可以用于本工藝優(yōu)化。

圖7 BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練相關(guān)系數(shù)圖Fig.7 Correlation coefficient diagram of BP neural network training

模型隨機(jī)驗(yàn)證結(jié)果見圖8。在17組實(shí)驗(yàn)數(shù)據(jù)中隨機(jī)選擇 3組數(shù)據(jù)，對(duì) BP神經(jīng)網(wǎng)絡(luò)模型進(jìn)行驗(yàn)證，結(jié)果表面3組數(shù)據(jù)實(shí)際值與模型預(yù)測值誤差分別為4.75%、0.25%、0.5%，誤差均小于10%，說明該模型預(yù)測性較好。

圖8 模型隨機(jī)驗(yàn)證結(jié)果Fig.8 Model random verification results

利用人工神經(jīng)網(wǎng)絡(luò)（ANN）預(yù)測各因素對(duì)γ-氨基丁酸含量的影響見圖9。

圖9 利用ANN預(yù)測各因素交互作用對(duì)γ-氨基丁酸含量的影響Fig.9 Using ANN to predict the impact of various factors on γ-amino butyric acid

由圖9可知，浸泡時(shí)間、發(fā)芽溫度和發(fā)芽時(shí)間對(duì) γ-氨基丁酸含量都有較大影響且相互間存在交互作用，γ-氨基丁酸在該模型中存在全局最優(yōu)。說明本次建立的BP神經(jīng)網(wǎng)絡(luò)具有較好的預(yù)測性，可以明確輸入數(shù)據(jù)和輸出數(shù)據(jù)之間的關(guān)系，作為模擬小米發(fā)芽富集γ-氨基丁酸過程的預(yù)測工具。

2.1.4 遺傳算法尋優(yōu)

圖10為遺傳算法尋優(yōu)的適應(yīng)度曲線。

圖10 適應(yīng)度曲線Fig.10 The fitness curve

由圖10可知，遺傳算法（GA）能夠進(jìn)一步完善實(shí)驗(yàn)的優(yōu)化工藝并在模型中尋找最優(yōu)值。隨著遺傳進(jìn)化迭代次數(shù)的增加，適應(yīng)度值首先呈斷崖式下降，隨后又進(jìn)行了3次選擇處理，被選擇個(gè)體的適應(yīng)度值產(chǎn)生小范圍的改變，并逐步向最優(yōu)適應(yīng)度值逼近，適應(yīng)度曲線在進(jìn)行51次迭代時(shí)收斂于最優(yōu)適應(yīng)度。通過循環(huán)迭代處理，當(dāng)進(jìn)化代數(shù)增大至60代時(shí)，GA 停止選擇并得出適應(yīng)度值最高的個(gè)體。運(yùn)行出的優(yōu)化結(jié)果：最優(yōu)工藝參數(shù)為浸泡時(shí)間11.7 h，發(fā)芽溫度38.5 ℃，發(fā)芽時(shí)間49.4 h，最優(yōu)γ-氨基丁酸含量為445.75 mg/kg。根據(jù)模型優(yōu)化方案結(jié)合實(shí)驗(yàn)設(shè)備可設(shè)置參數(shù)實(shí)際情況進(jìn)行驗(yàn)證實(shí)驗(yàn)，相關(guān)結(jié)果如表4所示。

表4 模型優(yōu)化結(jié)果及驗(yàn)證比較Table 4 The optimization results and comparative validation

由表4可知，驗(yàn)證實(shí)驗(yàn)的γ-氨基丁酸含量為444.03 mg/kg，比模型優(yōu)化值 445.75 mg/kg低0.39%，實(shí)驗(yàn)相對(duì)誤差維持在±5%的范圍內(nèi)，達(dá)到了該模型對(duì)實(shí)驗(yàn)精確度的要求。GA-BP 神經(jīng)網(wǎng)絡(luò)優(yōu)化的最佳條件為：浸泡時(shí)間 11.5 h，發(fā)芽溫度38.5 ℃，發(fā)芽時(shí)間49.5 h。未處理的龍山小米γ-氨基丁酸含量為66.46 mg/kg，通過最優(yōu)富集工藝處理后的龍山小米γ-氨基丁酸含量提高5.68倍。

3 結(jié)論

通過對(duì)龍山小米進(jìn)行發(fā)芽富集 γ-氨基丁酸，研究浸泡時(shí)間、發(fā)芽溫度和發(fā)芽時(shí)間對(duì)龍山小米γ-氨基丁酸含量的影響。在單因素實(shí)驗(yàn)的基礎(chǔ)上，運(yùn)用Design Expert 8.0中Box-Behnken模塊進(jìn)行3因素3水平的響應(yīng)面實(shí)驗(yàn)設(shè)計(jì)，通過matlab2018b建立 BP神經(jīng)網(wǎng)絡(luò)模型，結(jié)合遺傳算法最終確定最優(yōu)工藝參數(shù)。龍山小米 γ-氨基丁酸富集最優(yōu)工藝為：浸泡時(shí)間11.5 h，發(fā)芽溫度38.5 ℃，發(fā)芽時(shí)間49.5 h。在此工藝下龍山小米γ-氨基丁酸含量為444.03 mg/kg，相比未處理樣品含量提高5.68倍。通過 BP神經(jīng)網(wǎng)絡(luò)的模型優(yōu)化，對(duì)龍山小米富集 γ-氨基丁酸的工藝提供數(shù)據(jù)參考，可推動(dòng)龍山小米產(chǎn)業(yè)提質(zhì)增效，帶動(dòng)地方特色農(nóng)產(chǎn)品經(jīng)濟(jì)發(fā)展。但本研究的γ-氨基丁酸富集工藝為傳統(tǒng)發(fā)芽法，尚需結(jié)合生物酶法、改性等技術(shù)手段進(jìn)行深入研究，進(jìn)一步提高γ-氨基丁酸富集效果。