基于GA-BP神经网络的鹰嘴豆美拉德肽的定向制备

美拉德肽（MRPs）是经由美拉德反应产生的一类具有风味特征的短肽类化合物。美拉德肽增鲜效应可实现产品在减盐的同时提升鲜味呈现强度，并兼具抗氧化作用与杀菌抑菌作用[1-2]。作为新疆特色资源的鹰嘴豆，具有健胃消脾、滋润养颜、抗骨质疏松等药用功能，同时其氨基酸组成均衡、生物利用率高、抗营养因子低等特征，使得国内外对鹰嘴豆蛋白的研究大量增加[3-4]。以鹰嘴豆蛋白为原料制备的美拉德肽产品在保有鹰嘴豆药用功效的同时，兼具减盐增鲜、杀菌抑菌的功能，既能够满足广大消费者对健康饮食的追求，又能够保证食物的口感品质，消费市场将会很广阔[5-6]。

正交试验设计在多因素多水平方案设计等方面具有良好的均匀分散性，然而往往会产生试验数据信息采集失真等现象，另外，前期研究发现不同美拉德反应处理条件对最终产物的呈味效果有明显影响，同时因各因素间复杂交互作用方式的存在而导致其作用途径难以预测[7-8]。对照传统的信息处理模式（人工观察设计数学模型，利用实测数据验证此模型的可靠性，再以此模型为基础解决问题），神经网络设计可减少传统信息处理模式人为造成的主观失误和分析偏差，直接利用实测数据，凭借其良好的自学习适应能力与非线性映射能力，通过自动确定网络结果来保证得到客观的结果，同时能够弥补正交试验设计的一些不足[9-10]。再者，神经网络是一个黑箱模型（Black box，或称经验模型），具有强大的适应性、容错性和较好的对未知且复杂系统的仿真模拟能力，能够完成对未知领域的探索及复杂问题的求解[11-12]。与神经网络模型结合的遗传算法克服了传统寻优方法容易陷入局部最优解的缺点，其处理对象的广泛性和并行计算能力能够保证其高效运行[13]。

本文以鹰嘴豆蛋白酶解液为反应底物，通过正交设计与随机设计来进行试验，以反应产物美拉德肽的感官评定得分为导向，利用BP神经网络和遗传算法对数据进行处理，寻求最优的工艺参数条件，从而达到定向制备鹰嘴豆蛋白美拉德风味肽的目的。

1 材料与仪器

1.1 原料与试剂

鹰嘴豆，购于石河子农贸市场；风味蛋白酶、碱性蛋白酶，诺维信（中国）生物技术有限公司；D（+）-木糖等（食品级），枣庄蓝健食品添加剂有限责任公司。

1.2 主要仪器

DK-8D数显恒温水浴锅，金坛市医疗仪器厂；PHS-3C雷磁pH计，上海精科实业有限责任公司；Neofuge 15R台式高速冷冻离心机，力康发展有限责任公司；美拉德高温高压反应瓶，上海有机化学研究所。

2 试验方法

2.1 鹰嘴豆蛋白酶解液的制备（CPH）

依据前期鹰嘴豆蛋白酶解试验，双酶（风味蛋白酶和碱性蛋白酶）逐级酶解完毕后，将酶解液置于90～95℃的水浴中灭酶10 min，降温，离心，取上清液浓缩，依次获得水解度为23%，24%，25%，26%的酶解液[6]。

2.2 鹰嘴豆蛋白美拉德肽的制备（CMRP）

该步骤中利用神经网络优化美拉德肽的制备工艺，选择了工艺中涉及到的4个重要因素：反应初始温度、反应时间、反应的初始pH及D（+）-木糖添加量。

在反应器中加入10.0 g不同水解度的鹰嘴豆蛋白酶解液（提供美拉德反应所需要的氨基），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，作为待优化因素）、维生素B1（0.12 g），匀速搅拌至均匀混合，调整混合液的 pH 值，在油浴高温条件下进行反应，一定时间后，取出反应器置于冰浴中，快速冷却，达到室温后进行感官分析[6]。

正交试验设计的因素水平见表1。

表1 正交试验因素水平表Table 1 Factors of orthogonal test

2.3 描述性感官评定

采用描述性感官分析法对MRP样品进行分析，具体操作过程如下：①构建评定小组：8名感官评定员（3男，5女，年龄21～25岁）；②对小组成员进行培训，建立5个感官属性（肉味、鲜味、持续感、焦糊味和H2S味）的评定标准；③小组成员达成统一后，采用5点间隔评分法评定呈味强度（0～5分表示强度从没有检出到非常强烈）；④汇总统计分析小组人员评定结果数据[4-5]。

3 BP神经网络设计

3.1 设计网络的结构

使用Matlab 2016b软件进行编程，将BP神经网络设计为3层网络。输入层设定5个神经元：水解度、反应初始温度、反应时间、反应的初始pH及D（+）-木糖添加量；隐含层通过具体设计比较后设定为10个神经元；感官评分设定为输出层。网络的拓扑结构为5-10-1型，应用该网络模拟仿真CMRP的制备过程，进而分析各因素对CMRP的感官属性的影响[14-16]。

3.2 选择样品及训练网络

学习样本的选定，一般采用“留一法”，将全部样本数据用随机的方法，分出一部分作为训练样本，另一部分作为网络性能的检测数据[17-18]。本研究主要结合正交试验与随机试验获得32组试验数据（表2），选择其中28组为训练样本，其余4组为检验样本，所有样本中都包括神经网络的输入向量及期望输出向量。

数据预处理时用mapminmax函数做归一化处理；网络训练过程中，设定训练目标误差为0.0001，学习速率为0.05，最大训练步数为100；设定网络的结构（网络层次、每层含神经元的个数及神经元的激活函数）、学习方法及目标误差后，开始运行网络。

表2 试验数据Table 2 Experimental data

3.3 仿真模拟

采用“留一法”训练BP神经网络模型及评价模型的预测能力。通过该步骤的检验可以直接反应所建网络模型的模拟效果以及预测的可行性，即网络输出值与试验的平均值越接近，训练的网络精度越高，模拟效果越好。这样就成功克服了不同因素间高度非线性交互关系，构建了它们之间的精确映射关系[19-21]。然后保存网络模型，作为遗传算法的适应度函数继续使用。

3.4 遗传算法寻优

遗传算法（genetic algorithm，GA）是解决最优化问题的一种全局多点搜索算法，它的搜寻方向不是采用确定性规则，而是采用概率变迁规则[22-23]。基于其特点，将其与神经网络结合寻求定向制备CMRP的工艺参数，二者的衔接点在于训练好的网络模型可以作为遗传算法的适应度函数进行使用。

GA将一次试验完整的操作视为一个个体（其属性为该试验对应的工艺参数值的数组表示），将试验的感官评定得分视为某个体的适应度值，每个个体在进行交叉（即生物学中母本和父本的染色体交换并产生新个体的过程）、变异（为保证通过选择和交叉操作恢复可能丢失的好的遗传物质提供安全网络）、再交叉操作时，都会产生新的不同的工艺参数，对有限的试验数据进行扩展，然后以训练好的神经网络模型为适应度函数进行选择操作，筛选适应度值较高的个体进入下一轮循环，直至进化代数完成100为止[24-27]。

设定GA相关参数：迭代次数 gen_max=100，种群规模size=20，交叉概率cross=0.4，变异概率mutation=0.2，采用浮点数编码，个体长度length=5。

4 结果与讨论

4.1 构建与训练神经网络

经过神经网络的反复自学习与训练，获得最优的神经网络模型参数并结束训练。

图1为神经网络的误差下降曲线，横坐标是训练的步数，纵坐标是均方误差（MSE），MSE是衡量“平均误差”的一种较方便的方法，可以评价数据的变化程度，MSE值越小，说明所建立的神经网络模型描述试验数据具有更好的精确度。在网络训练过程中，随着训练步数的增加，网络误差曲线趋近于误差目标值0.0001，对于感官评分神经网络在第4步时，训练网络性能达到目标要求，在第5步时已经超过了0.000001，网络训练较稳定且收敛迅速，模型能够满足试验需求；验证网络与测试网络与目标值的MSE值随着训练步数的增加而减小，最好的验证性能是0.1861，与真实值相差无几，证明该神经网络模型可用。

图1 神经网络的误差下降曲线Fig.1 Error drop curve of neural network

图2为神经网络结果评估图，即目标输出值（x轴）与仿真模拟输出值（y轴）回归曲线图，回归方程的确定性系数R2（coefficient of determination），表示方程中变量X对Y的解释程度，R2值越接近1，方程的解释能力越强。R2=0.8925，说明该神经网络模型的解释能力很强且仿真误差较小，该神经网络具有较高的精度，能够保证较好的模拟仿真效果，因此，训练好的神经网络模型能够较好地模拟并表达输入端的5个因素变量与输出端的一个感官得分之间的映射对应关系。

图2 神经网络结果评估图Fig.2 Evaluation on neural network

4.2 检测神经网络

应用以上训练好的网络对检测样本进行预测，然后与试验值对比，其结果如表3，经过训练的BP神经网络具有较好的预测能力，能比较好的对美拉德风味肽制备模型模拟和预测，且预测值与实测值的相对误差都在±1%左右，说明网络的预测效果很好，因此保存该网络模型。

4.3 遗传算法寻优

该步骤是对网络模型优化参数的完善。设定GA的基本参数后，调用以网络模型为fitness函数、以感官得分最大为目标的遗传算法进行优化，迭代100次后，运行出的优化结果为：最优感官评价得分为4.9627（取近似值5.0），最优工艺参数为水解度24.1346%、反应初始温度85.1013℃、反应时间 30.9494 min、反应初始 pH 9.7291、D（+）-木糖添加量1.1717 g，其适应度曲线如图3。

表3 网络模型的预测结果及误差Table 3 The prediction results and error of net model

图3 感官评定得分的适应度曲线Fig.3 The fitness curve of the taste intensity value

图3为个体（试验操作）的适应度值（感官评定得分）随进化代数的变化曲线。第1～15代，GA在进行平稳的交叉操作，适应度值没有发生变化，第15代时发生了一次选择操作，被选择个体的适应度值有了小范围的正向（向目标靠近）变化；在后续的交叉操作中，GA增加了变异操作，在第45代时发生了一次选择操作，被选择个体的适应度值发生了断崖式的正向变化，GA的群体搜索特性发挥了明显的作用；经过交叉-选择-变异-交叉-选择的循环迭代操作，当进化代数增加到100代时，GA停止并输出适应度值最高（图中为负值，取最小值）的个体。

按照优化结果对应的工艺参数进行验证试验，其结果见表4。

表4 优化结果及验证比较Table 4 The optimization results and comparative validation

表4数据中，验证试验的感官得分为4.8，比模型优化值5.0分低4.17%，但是相对误差保持在±5%以内，符合BP神经网络模型对精确度的要求。表明该神经网络与遗传算法优化鹰嘴豆酶解的工艺参数可以获得较为理想的感官得分值。因此，GA-BP网络优化的最优工艺为：水解度24%，反应初始温度85℃、反应时间31 min、反应初始pH 9.7、D（+）-木糖添加量 1.2 g。

5 结论

本试验以鹰嘴豆蛋白为原料，通过双酶（风味蛋白酶和碱性蛋白酶）逐级定向酶解制备不同水解度（DH%）鹰嘴豆蛋白酶解液，以此为底物采用描述性感官分析（DSA）比较经典模式美拉德反应体系制备所获得风味肽产品的风味特征；以matlab 2016b为平台，利用其工具箱建立BP神经网络（拓扑图为5-10-1）和遗传算法优化模型进行工艺参数的寻优计算，并进行美拉德风味肽制备模型模拟仿真和预测，相关研究成果可为高品质蛋白增鲜基料制备提供技术借鉴。

BP神经网络和遗传算法的优化结果（水解度24%、反应初始温度85℃、反应时间31 min、反应初始 pH 9.7、D（+）-木糖添加量 1.2 g）的感官评分与验证试验的分值相差在5%以内。经过验证试验表明该参数制备的美拉德肽呈现明显的肉味、鲜味和较长的持续感，可以作为鹰嘴豆蛋白风味肽产品热反应最佳反应条件。