正交设计-人工神经网络模型优化菊粉提取

陈庆安，陈兴都，翟丹云，董延虎，高晓辉，李赟，陈海龙（甘肃省商业科技研究所，甘肃兰州730020）

正交设计-人工神经网络模型优化菊粉提取

陈庆安，陈兴都，翟丹云，董延虎，高晓辉，李赟，陈海龙
（甘肃省商业科技研究所，甘肃兰州730020）

摘要：以菊苣为原料，采用热水浸提法提取菊粉，通过正交试验设计-人工神经网络模型对热水提取菊粉的工艺参数进行优化。结果显示在料液比1∶8（g/mL），提取温度75℃，提取时间2 h，提取1次的条件下，菊粉提取率最高可达到33.29%。

关键词：菊苣；菊粉；正交试验设计；人工神经网络模型

菊苣（Cichorium intybus L.），又名欧洲菊苣，为菊科菊苣属多年生草本植物，原产于地中海地区，现广泛种植于亚洲、欧洲和北美等地，在我国的北方地区均有分布[1]，是甘肃主要的药食两用型经济作物。地上部分可做饲料和高档蔬菜，而地下部分含有近70%的菊粉（干物质重），具有良好的营养价值和保健功能[2-3]。

菊粉（inulin）又称菊糖，是一类天然果聚糖的碳水化合物，其结构是由果糖残基以β-（2-1）-糖苷键连接而成的直链多糖，末端可连有葡萄糖残基[4]。菊粉的生理学功能主要有：调节血糖、血脂的平衡，改善营养物质循环与代谢；减少肝脏毒素，对癌症有预防和治疗作用[5]；剌激肠道双歧杆菌增殖，抑制有害微生物的生长，维持肠内菌群的平衡[6]；作为一种可溶性膳食纤维，可促进矿物质离子的吸收和利用，增强人体的免疫机能[7]。由于菊粉安全、无毒、显著改善机体生理功能，被大量用于食品和医药工业[8]。

目前，国内对菊苣菊粉的提取工艺已报道较多，但对其工业化应用研究鲜见报道。本试验以菊苣为原料，通过正交设计-人工神经网络模型法对菊粉的热浸提工艺进行研究，获得菊粉提取的最佳工艺参数，为菊苣资源的综合利用和开发提供技术支撑。

1　材料和方法

1.1材料

1.1.1试验原料

菊苣：购于白银熙瑞生物工程有限公司，鲜菊苣采来清洗干净，低温冰箱-18℃保藏，处理时常温解冻，清洗去皮，切成丝状（2 mm～3 mm），冰箱低温保存[9]。

1.1.2试验试剂

蒽酮、硫脲、D-果糖、盐酸、氢氧化钠、3，5-二硝基水杨酸等，以上试剂均为分析纯。

1.1.3试验仪器

TU-1800PC型紫外分光光度计：上海第三分析仪器厂；GF-2型鼓风电热恒温干燥箱：广州东方红医疗仪器厂；DK-S12型电热恒温水浴锅：上海森信试验仪器有限公司；AL204型电子天平：梅特勒-托利多仪器有限公司；GL-21M湘仪离心机：长沙湘仪离心机仪器有限公司；BCD-238S型低温冷冻冰箱：青岛海尔股份有限公司。

1.2试验方法

1.2.1菊粉提取率的测定

1.2.1.1还原糖浓度的测定

采用3，5-二硝基水杨酸（DNS）比色法，参照何新华等人的方法并有所改进[10-11]。

标准曲线制作：取7支10 mL的具塞试管编号，依次加入0.2、0.4、0.6、0.8、1.0、1.2、1.4 mL的D-果糖标准液，蒸馏水定容至2 mL，配成不同浓度的D-果糖反应液。分别加入2.0 mL的3，5-二硝基水杨酸，摇匀，沸水浴煮2 min显色，流水冷却，定容至25 mL，于分光光度计中540 nm下测吸光值，以D-果糖浓度为横坐标，吸光度为纵坐标。样品测定则取1 mL的样品提取液按以上方法测定。

1.2.1.2总糖浓度的测定

采用蒽酮比色法，参照杨振等的方法并有所改进[12]。

标准曲线制作：取7支干燥洁净的试管编号，依次加入0.5、1.0、1.5、2.0、2.5、3.0、3.5 mL的D-果糖标准液，蒸馏水定容至2 mL，配成不同浓度的D-果糖反应液，分别加入蒽酮溶液5.0 mL，混匀后沸水浴保持10 min，流水冷却20 min，定容至25 mL，于分光光度计中620 nm下测吸光值，以D-果糖浓度为横坐标，吸光度为纵坐标。样品测定则取1 mL的样品提取液按以上方法进行测定。

1.2.1.3计算公式

根据标准曲线建立的回归方程，确定样品中的菊粉浓度，按下式计算出样品中的菊粉提取率[12]。

菊粉提取率/%=（提取液总糖质量×0.9-提取液还原糖质量）/原料中菊粉质量×100；

1.2.2菊粉提取工艺参数优化

1.2.2.1提取方法

参照吴洪特等的方法[13]，称取菊苣丝5.0 g，置于250mL的三角瓶中，选取料液比[1∶6、1∶7、1∶8、1∶9、1∶10（g/mL）]、提取温度（40、50、60、70、80℃）、提取时间（1.0、1.5、2.0、2.5、3.0 h）、提取次数（1、2、3、4、5次）4个因素[14-15]，热水浴下恒温提取一定时间过滤除渣，取上清液即得样液，测定菊粉得率，确定最适提取条件。

1.2.2.2提取正交试验

在单因素试验的基础上，以料液比、提取温度以及提取时间为影响因素，菊粉提取率为试验指标，选取提取次数1次，通过L（934）正交试验来优化菊粉提取工艺参数，筛选最佳提取工艺参数。因素水平表如表1所示。

表1　正交因素水平表Table 1　Factors and levels of orthogonal experimental design

1.2.2.3人工神经网络模型的建立[16-17]

以正交试验结果为基础，建立人工神经网络模型，对网络模型参数进行优化，以正交试验数据为神经网络训练样本，对网络参数进行函数拟合和仿真预测，确定最佳工艺参数。

1.2.3数据分析方法

采用Microsoft office Excle2007、IBM SPSS Statistics 19.0和MATLAB 7.11R 2010b软件进行数据分析。

2　结果与讨论

2.1标准曲线的建立

本试验以D-果糖为标准品，分别建立还原糖、总糖测定的标准曲线，通过测定标准溶液在540、620 nm时吸光度，根据朗伯-比尔（Lambert-Beer）定律绘制标准曲线，见图1、图2。

图1 还原糖测定标准曲线Fig.1　Standard curve of reducing sugar

用线性回归法求得回归方程分别为：y=0.026 3x-0.012 4（R2=0.996 3）（图1），线性范围0.008 mg/mL～0.056 mg/mL；y=0.080 4x+0.011 3（R2=0.996 5）（图2），线性范围0.02 mg/mL～0.14 mg/mL，其中y值为吸光度，x值为D-果糖浓度（mg/mL）。

图2　总糖测定标准曲线Fig.2　Standard curve of total sugar

2.2提取工艺参数确定

2.2.1料液比对菊粉提取率的影响

在提取菊苣中菊粉的过程中控制体系温度80℃，提取时间2 h，提取1次，设置不同的料液比，单因素试验结果见图3。

随料液比增大，提取液中菊粉提取率呈先上升后趋于稳定的总趋势，当料液比为1∶8（g/mL）时，菊粉提取率为23.58%。较料液比1∶7（g/mL）增加了64.44%，比料液比1∶9（g/mL）高1.42%。这与钟丹等超声波提取牛蒡菊糖的工艺研究的结果有差异[18]，这可能与原料的浸提溶剂、其活性成分的结构不同有关。提取过程中溶剂过少，菊粉提取不充分，过多又会增加生产成本，因此本试验确定最适料液比为1∶8（g/mL）。

2.2. 2温度对菊粉提取率的影响

在提取菊苣中菊粉的过程中控制体系料液比1∶8（g/mL），提取时间2 h，提取1次，设置不同的温度，单因素试验结果见图4。

随温度的升高，提取液中菊粉提取率呈不断上升的趋势，当温度为80℃时，菊粉最高，达到26.22%，比70℃高出11.72%。温度升高，蒸馏水受热扩散加强，增大与菊苣表面的接触程度，加速菊苣中菊粉的溶出。但温度过高，可能会引起菊粉内的蛋白质等化学物质变性，产生过多杂质，不利于菊粉溶出。故试验选取最适提取温度为80℃。这与Gaafar等通过循环水抽提菊粉的研究类似[19]。

图4　提取温度对菊粉提取率的影响Fig.4　Effect of extraction temperature on inulin yield

2.2.3时间对菊粉提取率的影响

在提取菊苣中菊粉的过程中控制体系料液比1∶8（g/mL），提取温度80℃，提取1次，设置不同的时间，单因素试验结果见图5。

图5　提取时间对菊粉提取率的影响Fig.5　Effect of extraction time on inulin yield

随提取时间的延长，提取液中菊粉提取率呈先迅速上升后趋于稳定，当提取时间为3 h时，菊粉提取率最高，达到23.33%，而时间为2 h时，菊粉提取率为22.22%，此时比1 h增加了130.98%，比3 h低4.76%。在高温下促使下，延长提取时间使菊苣根中的菊糖迅速溶出，当达到扩散的动态平衡以后，提取液中菊糖提取率增加趋于不变，这与华承伟等通过循环水抽提菊粉的研究结果类似[20]。考虑到环保、耗能的影响，因此本试验选取最佳适取时间为2 h。

2.2. 4提取次数对菊粉提取率的影响

在提取菊苣中菊粉的过程中控制体系料液比1∶8（g/mL），提取温度80℃，提取时间2 h，设置不同的次数，单因素试验结果见图6。

随提取次数的增加，提取液中菊粉提取率呈不断下降的趋势，当第1次提取时，菊粉提取率最高，达到23.25%。可能原因是增加提取次数，菊苣中菊粉迅速溶出，继续增加次数，菊粉的溶出率会下降。因此，本试验选取提取次数为1次。

图6　提取次数对菊粉提取率的影响Fig.6　Effect of extraction frequency on inulin yield

2.3正交试验设计优化

菊粉提取正交试验结果见表2。

表2　菊粉提取正交试验结果Table 2　Results of orthogonal experiment

由表中平均值k值和极差R值可得，影响提取效果的因素主次顺序为：因素B（提取温度）＞因素C（提取时间）＞因素A（料液比）。因素B对菊粉提取率影响最大，因素A、C的影响次之。其最佳组合为A2B1C2，即最佳的料液比为1∶8（g/mL），最佳的提取温度为75℃，最佳的提取时间为2 h。

为确定正交试验中3个试验因素对提取效果的影响，以及各个因素的交互作用和显著性，进行方差分析见表3。

表3方差分析结果Table 3　Results of variance analysis

F检验结果表明，B因素均对菊粉提取效果有极显著的影响，A因素和C因素对菊粉提取效果的影响显著。对于正交试验结果，需要进行人工神经网络预测和函数拟合。

2.4神经网络模型优化

神经网络模型是由应用计算机模拟大脑和神经系统的一种生物学信息处理的数学计算模型，由接受信息的输入层，输出信息的输出层以及中间隐含层构成[21]。其中，人工神经网络（artificial neural network，缩写ANN）应用最为广泛[22]。人工神经网络模型是指导学习下的模拟结构，在原有试验数据的基础上对试验结果进行预测和优化。由于该法减少试验次数，降低试验成本，缩短试验周期等特点而具有较高的可信性[23]。

本试验以表2正交试验数据作为样本，建立优选的人工神经网络模型，此网络以3个输入层节点数分别代表正交试验因素，1个输出层节点数代表菊糖提取率，而中间隐含神经元数由经验公式N=■n+m +a计算，其中N为隐含神经元数，n为输出神经元数，m为输入神经元数，a为1～10内常数。通过比较不同神经元网络训练时的泛化能力和输出精度，确定隐含层节点数为4。输入和输出函数都为Sigmoid型函数的神经网络进行函数拟合，选取学习率为0.5，以3个因素和1个响应值分别作为输入和输出变量，建立人工网络模型来模拟与预测菊粉提取效果见图7。

图7人工网络结构Fig.7　Architecture of ANN

图8　人工网络模型线性拟合Fig.8　Linear fitting of ANN

而图8将试验值与预测值进行了比较，结果显示出网络模型具有很高的拟合性能，相对误差小于0.5%，符合神经网络试验要求。

3　结论

通过热水浸提取菊苣菊糖工艺的单因素试验和正交设计分析，结果发现料液比、提取温度、提取时间对菊糖的提取率有显著影响，综合考虑成本投入和产品质量，确定料液比1∶8（g/mL）、提取温度75℃、提取时间2 h、提取1次为最优提取条件。通过进一步人工神经网络模型拟合和预测，其模拟结果与正交试验结果拟合度很高，说明人工神经网络能够有效的反映出不同提取工艺各影响因素与优化的规律。而提取后的菊粉液中含有蛋白质、果胶、色素及各种矿物质盐等杂质，需进一步纯化、精制，才能得到优良的产品。

参考文献：

[1] 吴洪新,呼天朋,张存莉,等.普那菊苣菊粉提取及纯化研究[J].西北农林科技大学学报,2006,34(6):91-95

[2]张晓玲.菊苣综合利用与菊粉的纯化及活性研究[D].杨凌:西北农林科技大学,2008:18-19

[3]Milala J,Grzelak K,Król B,et al.Composition and properties of chicory extracts rich in fructans and polyphenols[J].Polish Journal of Food and Nutrition Sciences,2009,59(1):35-43.

[4]魏凌云,王建华,郑晓冬,等.菊粉研究的回顾与展望[J].食品与发酵工业,2005,32(5):81-85

[5]周延州,陈安国.菊粉资源的开发及应用[J].饲料营养,2005,26 (1):49-51

[6]Gennaro S De,Birch G G,Parke S A,et al.Studies on the physiochemical properties of inulin and inulin oligomers[J].Food Chemistry,2000,68(2):179-183

[7]饶志娟,郑建仙,贾呈祥.功能性食品基料--菊粉的研究进展[J].中国甜菜糖业,2002(4):26-30

[8]王金刚,杜宁娟.菊粉的工业化生产技术与发展前景[J].食品工业科技,2008,29(11):309-312

[9]胡秀沂,邱树毅,王慧,等.新鲜菊芋的预处理及微波辅助提取菊粉的研究[J].食品工业科技,2007,28(4):150-155

[10]何新华,刘玲,张静,等.菊芋总糖和菊粉提取工艺条件优化[J].食品研究与开发,2009,30(8):76-79

[11]高向阳.食品分析与检测[M].北京:中国计量出版社,2006:130-135

[12]杨振,杨富民,王雪燕.菊芋中菊粉提取工艺优化研究[J].甘肃农业大学学报,2009,44(5):147-151

[13]吴洪特,孙晓琴,刘端超.菊糖的提取、澄清与精制[J].湖北农业科学,2007,46(1):138-140.

[14]高健,彭斌,徐虹.菊芋中菊糖的提取分离研究[J].安徽农业科学, 2009,37(1):184-185,214

[15]胡娟,金征宇,王静.菊芋菊糖的提取与纯化[J].食品科技,2007(4): 62-65

[16]侯召华,张宇,金春爱,等.基于人工神经网络的黑米花色苷提取的研究[J].食品科技,2012,37(1):194-203

[17]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):142-150

[18]钟丹,张建新,张世恒.超声波提取牛蒡菊糖的工艺研究[J].西北农业学报,2008,17(2):297-300

[19]A M Gaafar,M F Serag El-Din,E A Boudy,et al.Extraction Conditions of Inulin from Jerusalem Artichoke Tubers and its Effects on Blood Glucose and Lipid Profile in Diabetic Rats[J].Journal of American Science,2010,6(5):36-43

[20]华承伟,谢凤珍,王建华.菊苣中菊粉提取工艺条件的研究[J].天然产物研究与开发,2006,18(6):1013-1016

[21]邵方元,付腾飞,薛兴阳,等.正交试验和人工人工神经网络模型优化胰蛋白酶提取鱼腥草多糖的工艺[J].中国实验方剂学杂志, 2009,19(11):14-17

[22]宋江峰,李大婧,刘春泉.基于正交试验和神经网络的虫草素超临界CO2萃取预测[J].江苏农业学报,2010,26(4):833-837

[23]王统,赵兵,王玉春.正交试验-人工神经网络模型优化龙眼多糖的超声提取工艺[J].中草药,2006,36(10):1514-1516

DOI：10.3969/j.issn.1005-6521.2015.23.010

收稿日期：2014-05-07

基金项目：甘肃省科学技术厅甘肃省技术研究与开发专项计划（1207TCYA039）；甘肃省科技厅甘肃省科技支撑计划（2011GS0408）

作者简介：陈庆安（1962—），男（汉），注册咨询工程师，本科，主要从事食品工艺、发酵工业等相关研究。

Optimization on Extraction Technology of Inulin by Orthogonal Design and Artificial Neural Network Model

CHEN Qing-an，CHEN Xing-du，ZHAI Dan-yun，DONG Yan-hu，
GAO Xiao-hui，LI Yun，CHEN Hai-long
（Gansu Institute of Business and Technology，Lanzhou 730020，Gansu，China）

Abstract：In this experiment root of Cichorium intybus L.as a raw material，hot water was used as solvent to optimize the conditions for maximum extraction of inulin from Cichorium intybus L.by orthogonal design and artificial neural network model.Results showed that the ratio of material and solvent 1∶8（g/mL），extraction temperature 75℃，and time 2 h，under the condition of extraction once，extraction ratio of inulin reached to 33.29%.

Key words：chicory；inulin；orthogonal test design；artificial neural network model