應用BP神經網絡優化南極磷蝦酶解工藝

朱蘭蘭，侯鐘令，崔亞菲，苗鈞魁，冷凱良*

1(山東理工大學 農業工程與食品科學學院，山東 淄博，255000)2(青島海洋科學與技術國家實驗室，山東 青島，266237) 3(中國水產科學研究院黃海水產研究所，山東 青島，266071)4(山東農業大學 食品科學與工程學院，山東 泰安，271018)

南極磷蝦作為戰略性新興資源，營養價值和應用潛力巨大。研究表明，磷蝦粉粗蛋白含量為60%～65%[1-3]，粗脂肪含量為15%左右[2, 4]，灰分含量在6%～13%[2, 4]。全沁果等[2]對南極磷蝦粉的營養成分分析表明：磷蝦粉含粗蛋白質61.38%、粗脂肪14.49%、甲殼素6.08%、灰分6.27%，南極磷蝦粉中總氨基酸含量為473.40 mg/g，其中，∑EAA/∑AA=38.74%，∑DAA/∑AA=44.61%，符合FAO/WHO認可的優質蛋白質標準。同時，FRBER-LORDA等[5]證實，南極磷蝦蛋白水解產物中必需氨基酸占氨基酸總量的45%左右，符合FAO/WHO/UNU1985推薦的成年人對蛋白質的攝取需求。

酶解是南極磷蝦蛋白資源高效利用的重要技術環節。酶作用下，南極磷蝦大分子蛋白質和脂肪被分解為肽、氨基酸、脂肪酸等，一方面對南極磷蝦的營養和風味特性具有積極的貢獻作用；另一方面，酶解產物同樣可作為功能肽、營養強化劑、調味品等高值產品的重要基料。綜上，對南極磷蝦酶解工藝進行優化，可為南極磷蝦蛋白質資源的高值化利用提供技術支持。

BP神經網絡是一種基于誤差逆向傳播算法進行訓練的多層前饋神經網絡[6]。核心思想在于自變量輸入后經神經元迭代得到輸出值。目前，神經網絡技術主要應用于食品風險評估[7-8]、食品工藝優化[9-10]、食品功能分析[11-12]等領域。相比傳統工藝優化研究的響應面法而言，BP神經網絡具有以下優勢：

本研究以水解度為衡量指標，研究多因素(酶添加量、pH、酶解時間、溫度)作用下的南極磷蝦酶解工藝條件，應用BP神經網絡建立酶解工藝擬合模型，并借助模型篩選、驗證最佳酶解工藝參數，同時為BP神經網絡模型在食品工藝優化相關研究中的應用做出有益探索，也為食品工藝優化過程提出新的思路。

1 材料與方法

1.1 材料與試劑

南極磷蝦：購自遼寧省大連海洋漁業集團公司，-80 ℃貯藏直至分析。

木瓜蛋白酶，北京索萊寶生物科技有限公司；硫酸銅，天津市瑞金特化學品有限公司；氫氧化鈉，國藥集團化學試劑有限公司；三氯乙酸，天津市北聯精細化學品開發有限公司；甲醛，國藥集團化學試劑有限公司；磷酸緩沖液，奧豪斯(上海)儀器有限公司。所有試劑均為分析純。

1.2 儀器與設備

JYL-C020型組織搗碎機，九陽股份有限公司；CT14D型高速臺式離心機，上海天美科學儀器有限公司；STARTER 3C 型pH計，奧豪斯(上海)儀器有限公司；78-1型磁力攪拌器，常州國華電器有限公司。

1.3 實驗方法

1.3.1 酶解工藝參數的選擇

根據相關報道[15-17]中常采用的研究思路，選用木瓜蛋白酶酶解南極磷蝦，選擇酶添加量、pH、酶解時間、酶解溫度4個參數作為酶解工藝主要影響因素進行工藝研究，各參數值如表1所示。

表1 酶解反應的各個指標及水平Table 1 Factors and le els of enzymatic hydrolysis process

在保證因素和水平的組合具有代表性的前提下，借助中心組合設計的思想，設定如表2所示的實驗組。每個實驗組進行3次平行。

表2 不同參數下南極磷蝦的水解度Table 2 Degree of hydrolysis of Antarctic krill under different parameters

1.3.2 酶解工藝流程

酶解工藝如圖1所示。

圖1 酶解反應工藝流程Fig.1 Process of the enzymatic hydrolysis

1.3.3 水解度的測定

蛋白質在酶促反應過程中，肽鍵斷裂的比例可以表征底物在該次反應中水解的程度。目前常用水解度(degree of hydrolysis，DH)表征這一指標，通過酶解液中游離氨基酸態氮含量與底物中的總氮含量之比計算：

(1)

式中：Nf,游離氨基酸態氮質量濃度，mg/mL，使用甲醛電位滴定法[18]測定；, 酶解液體積,mL；N,總氮質量分數,mg/g，使用凱氏定氮法[19]測定；m,樣品質量,g。

1.4 BP神經網絡模型

1.4.1 BP神經網絡模型構建

擬構建的BP神經網絡模型如圖2所示。典型的神經網絡模型由輸入層、隱藏層和輸出層構成。輸入層和輸出層即自變量的輸入值和因變量的輸出值。某一隱藏層神經元接收了加權的輸入值后，經過激活函數HN的運算，再經過輸出層加權后傳遞給輸出神經元。輸出神經元“收集”每一加權了的隱藏神經元傳遞過來的值，加和之后即得到最終的輸出值。

圖2 BP神經網絡模型示意圖Fig.2 Schematic diagram of BP neural network model

神經網絡模型的核心在于隱藏層和輸出層的權重，建立神經網絡的核心問題即這兩組權重的確定。這一過程往往被描述為“訓練”或“監督學習”。即，給定2組初始權重，代入已知的自變量(酶解參數)得到1個輸出值，再將該輸出值和已知的因變量實際值(水解度)對比，并對權重做出調整。由自變量得到預測值的過程稱為“正向傳播”，而由預測值和實際值的對比從而對權重進行更新的過程稱為“反向傳播”。一次正向傳播+一次反向傳播稱為一次迭代。通過反復的迭代，可以使得神經網絡的輸出值逐步接近實際值。反向傳播過程中對權重的更新依賴于誤差函數和“梯度下降”方法，相關數學證明涉及偏微分、矩陣運算等，較為繁瑣冗長，且均已有完備的推導過程(相關內容文中省略)。

本研究所建立的模型中，網絡的輸入層由酶添加量、pH、酶解時間、酶解溫度4個自變量構成，輸出層由因變量水解度構成，隱藏層神經元個數根據試驗判定最優值。該模型的激活函數選擇BP網絡最常用的Sigmoid函數，即構成了4×n×1的3層BP神經網絡。

1.4.2 數據處理和模型訓練

水解度數據使用Excel 2019進行整理，使用MATLAB 2019a軟件進行神經網絡的搭建和訓練。

訓練所用數據共29×3=87組，隨機抽取10%的數據(9組)驗證模型正確率，其余數據78個用于訓練網絡。

2 結果與分析

2.1 水解度實驗結果

各參數下南極磷蝦的水解度如表2所示。29組實驗，每組重復3次，共計87個水解度實驗數據，用于之后的BP神經網絡模型構建。

2.2 BP神經網絡模型的構建

2.2.1 BP神經網絡模型參數

使用MATLAB 2019a軟件中的Neural Net Fitting工具箱進行神經網絡模型的構建和訓練。經該工具箱對神經網絡訓練的過程中，每一epoch(迭代次數)中訓練數據集被以70%、15%、15%隨機劃分為訓練部分、驗證部分和測試部分進行迭代訓練。經建模預實驗，隱藏層神經元個數選擇為15個，學習率為0.02時，神經網絡模型表現較佳。由于神經網絡參數優化過程主要涉及到并依賴于較為晦澀的數學推導和計算機程序進行預實驗和調整，文中未予以贅述。

常用均方誤差函數(mean squared error，MSE)表征BP神經網絡預測值和期望值之間的誤差如公式(2)所示：

(2)

本研究中，即通過每個樣本(每組實驗)的期望值(實驗中實測的水解度)，和輸入自變量后神經網絡模型給出的輸出值(預測值)，來評價神經網絡模型在預測酶解反應結果時的精確度。

同時，神經網絡的輸出值和對應的期望值越接近，則神經網絡性能越好。則若以輸出值為橫坐標，期望值為縱坐標，每一樣本對應的數據點應盡可能接近于直線y=x。即兩者是線性相關的。那么，線性相關中常用的相關系數R2或者R同樣可以評估神經網絡模型的性能。

2.2.2 神經網絡模型的MSE評估

通過MSE評估所建立的神經網絡模型的準確性，結果如圖3所示。

根據MSE評估標準，MSE<0.01時，模型構建成功，準確性達到擬合要求。由圖3可知，神經網絡模型經83次迭代后達到最小MSE值0.002 242，模型構建成功，擬合準確性高，可用于南極磷蝦酶解工藝的擬合研究。

圖3 BP神經網絡模型的MSE指標Fig.3 MSE index of BP neural network model

2.2.3 神經網絡模型的相關系數評估

統計訓練、驗證、測試和全部數據的輸出值和目標值，并計算對應的相關系數如圖4所示。

各組數據的相關系數R如圖4所示，期望(目標)值和神經網絡模型的輸出值呈現顯著的正相關關系，進一步驗證了該BP神經模型模型構建成功，擬合準確性高。

圖4 BP神經網絡模型的相關系數指標Fig.4 Correlation coefficient index of BP neural network model

2.3 BP神經網絡模型性能測試

使用所建立的神經網絡模型，對隨機選出的9組檢驗集數據進行驗證。實驗測定的水解度和神經網絡預測的水解度進行結果對比，如圖5所示。

由圖5可知，實驗測定得到的水解度(期望值)和神經網絡模型所給出的輸出值(預測值)具有一致的變化趨勢。同時計算可知，該9組數據的MSE=0.038 89，R=0.985 6，表明所建立的神經網絡模型給出的預測值是準確的。

圖5 BP神經網絡模型的性能驗證Fig.5 Performance erification of BP neural network model

2.4 最優酶解工藝條件篩選

南極磷蝦酶解工藝已有多位學者研究報道過，但研究結果存在較大偏差。張華丹[15]等選擇了堿性蛋白酶對南極磷蝦酶解工藝進行了優化發現，45.68 ℃、酶添加量1.67%、酶解時間5.47 h、pH為8.08時南極磷蝦蛋白粉水解度可達到15.27%；劉璐等[21]發現pH 8.5，溫度55 ℃，加酶量2.6%，酶解時間5 h,下南極磷蝦分解度為(23.85±0.95)%；燕夢雅等[22]同樣采用木瓜蛋白酶對南極磷蝦進行水解發現，酶與底物質量比為比0.25%，酶解30 min，溫度55 ℃， pH 6.0時酶解產物的溶解度最大為(12.06±0.21)%。造成結果偏差的原因一方面是原料性質差異導致，而模型擬合的不準確性也是重要原因。

借助BP神經網絡模型“梯度下降”的思想，進行實驗參數的極值預測，與響應面數據處理相比，避免了舍去高次交互項所帶來的誤差，其對實驗參數的預測更加準確。具體做法為：以三維坐標系的二元函數為例：考慮z=f(x,y)，其圖像為空間直角坐標系中的曲面。若移動x和y的位置，則z值將會對應地增大或者減小；數學上，將z值增大或縮小“最快”的“移動方向”定義為梯度。若主動地將點(x0,y0)沿該點的梯度移動特定距離至(x1,y1)，再將點(x1,y1)沿該點的梯度移動特定距離至(x2,y2)……反復進行該操作，則點的位置將逐漸逼近函數的極大/小值。

本研究建立的BP神經網絡模型可視作酶添加量、pH、時間和溫度為自變量的四元函數，在五維坐標系中使用“梯度下降”思想求得該模型衡量指標水解度的極大值。實際操作則通過MATLAB編寫程序實現。

經過BP神經網絡模型擬合，根據水解度值大小篩選，得到水解度值(大于40%)的處理方案4組，結果如表3所示。

表3 神經網絡模型優化所得的極大值Table 3 Maximum alues obtained by neural network model optimization

在神經網絡模型求解的極值中，極值點均為數學角度獲得，需要結合實際生產情況進行工藝參數的選擇。方案3所給出的條件中，溫度97.21 ℃顯然遠超木瓜蛋白酶的最適溫度，該方案應舍去；方案4的反應時間大大長于其他幾種,但水解度不具有顯著優勢且酶添加量亦無顯著降低，予以舍去；方案1相對于方案2，酶添加量和反應時間有大幅度增加,但水解度并未顯著升高，從生產效率和經濟價值角度考慮，同樣予以舍去。綜上，選取方案2做為最終的優化結果。

結合實際生產情況，采用酶添加量4.73%、pH 6.99、溫度 54.0 ℃、時間201.0 min進行酶解工藝操作，得到南極磷蝦水解度為41.20%，與神經網絡的預測值41.36%無顯著差異。本研究所建立的神經網絡模型能夠準確地對南極磷蝦酶解工藝進行優化。

3 結論

本研究以南極磷蝦酶解反應的水解度為考查指標，以酶添加量、酶解時間、pH和酶解溫度為自變量，建立了基于BP神經網絡的南極磷蝦酶解工藝模型，并借助模型對南極磷蝦酶解工藝最佳參數進行了優化。

首先，使用78個樣本對該神經網絡模型進行83次迭代后，MSE達到最小值0.002 242，所有樣本相關系數達到最大值0.956 9，表明南極磷蝦酶解反應可以采用BP神經網絡的模型對反應過程進行擬合和預測，且該模型的準確度達到了具有應用價值的標準。

隨后，使用9個樣本對模型進行測試發現，該9組數據的MSE=0.038 89，R=0.985 6。表明該模型對南極磷蝦酶解反應的預測良好。

最終，采用“梯度下降”思想求解BP神經網絡模型中水解度的極大值，并從經濟和效率角度綜合分析得最優條件為酶添加量4.73%,pH 6.99,溫度 54.0 ℃,時間201.0 min。經實驗驗證，該酶解條件下所得的南極磷蝦水解度為41.20%，與預測值41.36%無顯著差異。

本研究所建立的基于BP神經網絡的南極磷蝦酶解工藝模型能夠較好地對南極磷蝦酶解反應結果進行預測，研究結果將為南極磷蝦酶解工藝的優化提供了新的研究思路和技術參考。相比響應面處理，BP神經網絡具有偏差性更小、準確性更好等優勢，可在食品相關研究領域中進行廣泛應用。在食品生產工藝優化過程中，若使用BP神經網絡模型，還應該注意以下幾點：

首先，基于BP神經網絡的模型建立依賴于足夠數量的樣本，對于特定問題而言樣本數目不應低于某個下限。其次，BP神經網絡模型建立的過程中，相關重要參數，如學習率、激活函數、誤差函數、隱藏神經元個數等的選取至關重要。具體操作過程中，這些參數的選取和設置也一定程度上依賴于經驗參數的選取和預實驗的結果。同時，在BP神經網絡優化生產工藝時，前期單因素實驗結果的準確性和重復性尤為重要。此外，在解決食品領域中具體問題時，神經網絡模型的相關評估指標還需要進一步的研究和數據積累。

隨著計算機技術的發展，以神經網絡模型為代表的機器學習技術將會擁有廣闊的發展前景，在此背景下，應用BP神經網絡優化南極磷蝦酶解工藝的研究，可為南極磷蝦蛋白質資源的開發和高值化利用提供技術支持，相關研究也將為神經網絡模型在食品領域的應用提供科學借鑒。