南洋理工大学叶慧助理教授团队国际食品顶刊发文：智能食品安全：机器学习驱动的乳液脂质氧化预测新策略
随着食品工业的快速发展，如何有效延长食品保质期、提升食品安全性成为研究热点。脂质氧化是影响食品质量的关键因素，特别是在乳液体系（如牛奶、奶油、婴儿配方奶粉、沙拉酱等）中，脂质氧化会影响风味、营养价值，并可能产生有害化合物。因此，精准预测脂质氧化过程，优化食品配方，提高储存稳定性至关重要。
近日，新加坡南洋理工大学叶慧助理教授团队在食品领域顶级期刊《Trends in Food Science & Technology》上发表了题为《Machine Learning-Driven Predictive Modeling for Lipid Oxidation Stability in Emulsions: A Smart Food Safety Strategy》的综述性论文（一区，IF: 15.1）。该研究通过文献综述的方法，引入机器学习（Machine Learning，ML）技术，利用数据挖掘和建模方法，构建乳液脂质氧化预测模型，以实现快速、准确、低成本的食品质量评估。
研究背景
富含多不饱和脂肪酸的食用油氢化对食品工业构成了重大挑战，因其给经济、营养、风味、安全性和储存等方面带了直接影响。乳液（如牛奶、婴儿配方奶粉、奶油、沙拉酱等）是日常饮食中最常见的脂质类型。乳液可简要分为水包油（W/O）乳液、油包水（O/W）乳液，以及多重乳液，即由一个乳液被包裹在另一个乳液内组成。
然而，乳液在各种应用中的使用面临多个挑战，包括加工、包装和储存过程中的不稳定性。其中最主要的限制，尤其是在食品科学领域中，是乳液的氧化降解。乳液与油脂经历相同的初始脂质氧化机制。但与油脂不同的是，乳液具有更为复杂的体系，由于水-油界面的存在，乳液相比于油脂更易氧化，水相中的促氧化剂（如过渡金属离子）与油相中的不饱和脂肪酸发生相互作用。关于乳液的综述研究表明，通过改变界面层的特性（例如增加厚度、抗氧化活性、电荷和不同表面活性剂）可提高乳液的氧化稳定性1。与此同时，关于相同因素在乳液氧化稳定性中的影响，存在大量矛盾的结论，这意味着乳液中的脂质氧化的核心因素以及不同因素的相互作用仍未得到充分解释。
人工智能（AI）技术近年来在解决传统程序中的主观性和时耗性等问题上展现了潜力。尤其是计算机视觉分析与ML方法结合使用，如自动化图像分析和移动显微镜，在为各种应用开发不受地点和专业知识限制的快速、经济高效的系统方面受到了广泛关注2。有研究表明，可利用ML和深度学习（DL）摸醒，结合自动图像特征提取来描述药用乳液液滴的形成3。同时，数据挖掘和计算机视觉图像分析技术的最新发展使包括食品工业在内的众多工业流程能够快速、准确、客观地评估产品质量。尽管有些研究报道了基于ML的乳液稳定性模型（如人工神经网络），但很少有研究使用ML来探索乳液氧化稳定性的核心影响因素以及各因素之间的关系。
因此，本综述探讨了影响乳液氧化稳定性的关键因素，强调了类似参数的不同研究结果之间的差异。本综述还探讨了在食品领域应用ML的最新进展。这项工作的目的是展示ML在应对乳液系统所面试的挑战中可发挥的变革性作用。通过促进对氧化过程的理解和控制，ML有潜力支撑高质量的生产并推动工业食品生产的创新。
McClements和Decker的综述为解释乳液体系中的脂质氧化奠定了基础，强调了界面特性、油滴动力学和水的相互作用。此后，分析技术的进步完善了氧化机制、促氧化剂和抗氧化剂的分布、界面分子排列、胶体结构效应以及氧化中间产物的运输。当光、热、自由基、金属离子或光敏色素攻击不饱和脂质的双键时，就会发生脂质氧化。这一过程包括酶促氧化、非自由基光氧化或自由基介导的自氧化（如图2所示），其中自氧化是乳液脂质氧化的研究重点。
但遗憾的是，由于均质系统的复杂性，对自氧化过程中第一阶段发生的理化变化的深入研究并不多。这需要对油包水型乳液中脂质氧化初始阶段背后的不明确过程进行更多的研究。鉴于氧化早期阶段（既氢过氧化物形成之前）是由自由基推动的，因其监测自由基是研究氧化早期阶段的一种可行方法。电子顺磁共振（EPR）是一种非常灵敏的监测自由基的方法，Huang等人通过结合传统和创新技术（包括EPR），构建人工神经网络来识别动力学模型中的自由基。这一结果表明，ML可通过监测起始阶段的自由含量，从而预防乳液中的脂质氧化。
乳液氧化稳定性主要由以下因素决定：界面特性（界面张力、电荷、界面强度）、外部因素（pH值、乳化时间、制备方法、氧含量、热、光、过渡金属离子、抗氧化剂和电解质）和内部因素（乳化剂类型和浓度、油相类型、连续相粘度和油水比）内部因素：乳液的氧化稳定性与油相中脂肪酸的组成密切相关。例如，富含PUFAs的核桃油乳液比橄榄油乳液更易氧化。研究发现，部分油脂（如菜籽油）具有较高的抗氧化性，而亚麻籽油由于n-3PUFA含量高，稳定性较差。同时乳化剂的选择对乳液的理化稳定性至关重要。蛋白质、小分子乳化剂（如卵磷脂）以及Pickering乳化剂（如二氧化硅纳米粒子）均可用于提高乳液稳定性。研究表明，多糖-蛋白复合乳化剂可形成较厚的界面层，提高乳液的长期稳定性。
外部因素：初级氧化剂（如酚类化合物）通过氢供体作用终止自由基链式反应，次级抗氧化剂（如EDTA）通过螯合金属离子减少氧化诱导。研究发现，水溶性蛋白可通过共价和非共价作用与脂质氧化产物（如醛类）相互作用，提供额外的抗氧化保护。乳液的pH值会影响金属离子的分布，从而改变脂质氧化速率。例如，在pH3.0的环境下，乳清蛋白乳液的乳化性能较强，但更易受到氧化。研究发现，乳液中的Fe3+浓度较高，脂质氧化速率较快，因此降低乳液中的金属离子含量是控制脂质氧化的关键。研究表明，在较低温度（如冷藏条件）下，因氧溶解度提高，会导致氧化速率加快。
界面特性：厚界面层能够有效阻隔亲水性促氧化物质，如金属离子，从而降低脂质氧化速率。研究发现，部分蛋白（如酪蛋白）形成较厚的界面层，比形成薄界面层的蛋白（如乳清蛋白、大豆蛋白）更能抑制脂质氧化。乳液界面层的剪切流变性与扩张流变性直接影响乳液的稳定性。降低界面张力有助于抑制液滴聚集，提高乳液均一性。通过调整乳化剂种类（如多糖、蛋白复合物）可优化界面层特性，提高抗氧化能力。
机器学习可分为监督学习（supervised learning）、无监督学习（unsupervised learning）和深度学习（deep learning）。监督学习（如SVM、RF）主要用于食品质量预测，如啤酒风味分析。无监督学习（如PCA、K-means）可用于食品分类，如食品掺假检测。深度学习（如CNN、RNN）在食品图像分析、风味预测等领域表现突出。机器学习在乳液氧化研究中的可行性：研究表明，基于ML的氧化稳定性预测模型可优化乳液配方，减少实验成本，提高生产效率。例如，研究者利用神经网络模型预测Pickering乳液的界面特性，成功优化了乳液稳定性。此外，ML可用于乳液图像分析，通过显微图像识别液滴形态，预测乳液分层和聚集情况。这意味着，ML在预测和防止乳液氧化中具有较高的可行性。
结论
脂质氧化是食品工业关注的重要问题，它会导致食品质量下降、安全性降低以及营养成分的流失。在乳液体系中，脂质氧化受到多种因素的影响，综述介绍了监督学习、无监督学习和深度学习等ML算法在食品科学中的应用，展现了ML在优化乳液制备、提升氧化稳定性、延长货架期中的巨大潜力。综述建议进一步探索ML在乳液体系中的应用，期待ML与乳液研究的深度融合将推动食品工业的发展，成为食品工业的核心工具，助力高质量、长期性食品的开发，推动食品行业向智能化、精确化方向迈进。
原文链接 https://www.sciencedirect.com/science/article/abs/pii/S0924224425001086
