应用BP神经网络优化南极磷虾酶解工艺

朱兰兰，侯钟令，崔亚菲，苗钧魁，冷凯良*

1(山东理工大学 农业工程与食品科学学院，山东 淄博，255000)2(青岛海洋科学与技术国家实验室，山东 青岛，266237) 3(中国水产科学研究院黄海水产研究所，山东 青岛，266071)4(山东农业大学 食品科学与工程学院，山东 泰安，271018)

南极磷虾作为战略性新兴资源，营养价值和应用潜力巨大。研究表明，磷虾粉粗蛋白含量为60%～65%[1-3]，粗脂肪含量为15%左右[2, 4]，灰分含量在6%～13%[2, 4]。全沁果等[2]对南极磷虾粉的营养成分分析表明：磷虾粉含粗蛋白质61.38%、粗脂肪14.49%、甲壳素6.08%、灰分6.27%，南极磷虾粉中总氨基酸含量为473.40 mg/g，其中，∑EAA/∑AA=38.74%，∑DAA/∑AA=44.61%，符合FAO/WHO认可的优质蛋白质标准。同时，FRBER-LORDA等[5]证实，南极磷虾蛋白水解产物中必需氨基酸占氨基酸总量的45%左右，符合FAO/WHO/UNU1985推荐的成年人对蛋白质的摄取需求。

酶解是南极磷虾蛋白资源高效利用的重要技术环节。酶作用下，南极磷虾大分子蛋白质和脂肪被分解为肽、氨基酸、脂肪酸等，一方面对南极磷虾的营养和风味特性具有积极的贡献作用；另一方面，酶解产物同样可作为功能肽、营养强化剂、调味品等高值产品的重要基料。综上，对南极磷虾酶解工艺进行优化，可为南极磷虾蛋白质资源的高值化利用提供技术支持。

BP神经网络是一种基于误差逆向传播算法进行训练的多层前馈神经网络[6]。核心思想在于自变量输入后经神经元迭代得到输出值。目前，神经网络技术主要应用于食品风险评估[7-8]、食品工艺优化[9-10]、食品功能分析[11-12]等领域。相比传统工艺优化研究的响应面法而言，BP神经网络具有以下优势：

本研究以水解度为衡量指标，研究多因素(酶添加量、pH、酶解时间、温度)作用下的南极磷虾酶解工艺条件，应用BP神经网络建立酶解工艺拟合模型，并借助模型筛选、验证最佳酶解工艺参数，同时为BP神经网络模型在食品工艺优化相关研究中的应用做出有益探索，也为食品工艺优化过程提出新的思路。

1 材料与方法

1.1 材料与试剂

南极磷虾：购自辽宁省大连海洋渔业集团公司，-80 ℃贮藏直至分析。

木瓜蛋白酶，北京索莱宝生物科技有限公司；硫酸铜，天津市瑞金特化学品有限公司；氢氧化钠，国药集团化学试剂有限公司；三氯乙酸，天津市北联精细化学品开发有限公司；甲醛，国药集团化学试剂有限公司；磷酸缓冲液，奥豪斯(上海)仪器有限公司。所有试剂均为分析纯。

1.2 仪器与设备

JYL-C020型组织捣碎机，九阳股份有限公司；CT14D型高速台式离心机，上海天美科学仪器有限公司；STARTER 3C 型pH计，奥豪斯(上海)仪器有限公司；78-1型磁力搅拌器，常州国华电器有限公司。

1.3 实验方法

1.3.1 酶解工艺参数的选择

根据相关报道[15-17]中常采用的研究思路，选用木瓜蛋白酶酶解南极磷虾，选择酶添加量、pH、酶解时间、酶解温度4个参数作为酶解工艺主要影响因素进行工艺研究，各参数值如表1所示。

表1 酶解反应的各个指标及水平Table 1 Factors and le els of enzymatic hydrolysis process

在保证因素和水平的组合具有代表性的前提下，借助中心组合设计的思想，设定如表2所示的实验组。每个实验组进行3次平行。

表2 不同参数下南极磷虾的水解度Table 2 Degree of hydrolysis of Antarctic krill under different parameters

1.3.2 酶解工艺流程

酶解工艺如图1所示。

图1 酶解反应工艺流程Fig.1 Process of the enzymatic hydrolysis

1.3.3 水解度的测定

蛋白质在酶促反应过程中，肽键断裂的比例可以表征底物在该次反应中水解的程度。目前常用水解度(degree of hydrolysis，DH)表征这一指标，通过酶解液中游离氨基酸态氮含量与底物中的总氮含量之比计算：

(1)

式中：Nf,游离氨基酸态氮质量浓度，mg/mL，使用甲醛电位滴定法[18]测定；, 酶解液体积,mL；N,总氮质量分数,mg/g，使用凯氏定氮法[19]测定；m,样品质量,g。

1.4 BP神经网络模型

1.4.1 BP神经网络模型构建

拟构建的BP神经网络模型如图2所示。典型的神经网络模型由输入层、隐藏层和输出层构成。输入层和输出层即自变量的输入值和因变量的输出值。某一隐藏层神经元接收了加权的输入值后，经过激活函数HN的运算，再经过输出层加权后传递给输出神经元。输出神经元“收集”每一加权了的隐藏神经元传递过来的值，加和之后即得到最终的输出值。

图2 BP神经网络模型示意图Fig.2 Schematic diagram of BP neural network model

神经网络模型的核心在于隐藏层和输出层的权重，建立神经网络的核心问题即这两组权重的确定。这一过程往往被描述为“训练”或“监督学习”。即，给定2组初始权重，代入已知的自变量(酶解参数)得到1个输出值，再将该输出值和已知的因变量实际值(水解度)对比，并对权重做出调整。由自变量得到预测值的过程称为“正向传播”，而由预测值和实际值的对比从而对权重进行更新的过程称为“反向传播”。一次正向传播+一次反向传播称为一次迭代。通过反复的迭代，可以使得神经网络的输出值逐步接近实际值。反向传播过程中对权重的更新依赖于误差函数和“梯度下降”方法，相关数学证明涉及偏微分、矩阵运算等，较为繁琐冗长，且均已有完备的推导过程(相关内容文中省略)。

本研究所建立的模型中，网络的输入层由酶添加量、pH、酶解时间、酶解温度4个自变量构成，输出层由因变量水解度构成，隐藏层神经元个数根据试验判定最优值。该模型的激活函数选择BP网络最常用的Sigmoid函数，即构成了4×n×1的3层BP神经网络。

1.4.2 数据处理和模型训练

水解度数据使用Excel 2019进行整理，使用MATLAB 2019a软件进行神经网络的搭建和训练。

训练所用数据共29×3=87组，随机抽取10%的数据(9组)验证模型正确率，其余数据78个用于训练网络。

2 结果与分析

2.1 水解度实验结果

各参数下南极磷虾的水解度如表2所示。29组实验，每组重复3次，共计87个水解度实验数据，用于之后的BP神经网络模型构建。

2.2 BP神经网络模型的构建

2.2.1 BP神经网络模型参数

使用MATLAB 2019a软件中的Neural Net Fitting工具箱进行神经网络模型的构建和训练。经该工具箱对神经网络训练的过程中，每一epoch(迭代次数)中训练数据集被以70%、15%、15%随机划分为训练部分、验证部分和测试部分进行迭代训练。经建模预实验，隐藏层神经元个数选择为15个，学习率为0.02时，神经网络模型表现较佳。由于神经网络参数优化过程主要涉及到并依赖于较为晦涩的数学推导和计算机程序进行预实验和调整，文中未予以赘述。

常用均方误差函数(mean squared error，MSE)表征BP神经网络预测值和期望值之间的误差如公式(2)所示：

(2)

本研究中，即通过每个样本(每组实验)的期望值(实验中实测的水解度)，和输入自变量后神经网络模型给出的输出值(预测值)，来评价神经网络模型在预测酶解反应结果时的精确度。

同时，神经网络的输出值和对应的期望值越接近，则神经网络性能越好。则若以输出值为横坐标，期望值为纵坐标，每一样本对应的数据点应尽可能接近于直线y=x。即两者是线性相关的。那么，线性相关中常用的相关系数R2或者R同样可以评估神经网络模型的性能。

2.2.2 神经网络模型的MSE评估

通过MSE评估所建立的神经网络模型的准确性，结果如图3所示。

根据MSE评估标准，MSE<0.01时，模型构建成功，准确性达到拟合要求。由图3可知，神经网络模型经83次迭代后达到最小MSE值0.002 242，模型构建成功，拟合准确性高，可用于南极磷虾酶解工艺的拟合研究。

图3 BP神经网络模型的MSE指标Fig.3 MSE index of BP neural network model

2.2.3 神经网络模型的相关系数评估

统计训练、验证、测试和全部数据的输出值和目标值，并计算对应的相关系数如图4所示。

各组数据的相关系数R如图4所示，期望(目标)值和神经网络模型的输出值呈现显著的正相关关系，进一步验证了该BP神经模型模型构建成功，拟合准确性高。

图4 BP神经网络模型的相关系数指标Fig.4 Correlation coefficient index of BP neural network model

2.3 BP神经网络模型性能测试

使用所建立的神经网络模型，对随机选出的9组检验集数据进行验证。实验测定的水解度和神经网络预测的水解度进行结果对比，如图5所示。

由图5可知，实验测定得到的水解度(期望值)和神经网络模型所给出的输出值(预测值)具有一致的变化趋势。同时计算可知，该9组数据的MSE=0.038 89，R=0.985 6，表明所建立的神经网络模型给出的预测值是准确的。

图5 BP神经网络模型的性能验证Fig.5 Performance erification of BP neural network model

2.4 最优酶解工艺条件筛选

南极磷虾酶解工艺已有多位学者研究报道过，但研究结果存在较大偏差。张华丹[15]等选择了碱性蛋白酶对南极磷虾酶解工艺进行了优化发现，45.68 ℃、酶添加量1.67%、酶解时间5.47 h、pH为8.08时南极磷虾蛋白粉水解度可达到15.27%；刘璐等[21]发现pH 8.5，温度55 ℃，加酶量2.6%，酶解时间5 h,下南极磷虾分解度为(23.85±0.95)%；燕梦雅等[22]同样采用木瓜蛋白酶对南极磷虾进行水解发现，酶与底物质量比为比0.25%，酶解30 min，温度55 ℃， pH 6.0时酶解产物的溶解度最大为(12.06±0.21)%。造成结果偏差的原因一方面是原料性质差异导致，而模型拟合的不准确性也是重要原因。

借助BP神经网络模型“梯度下降”的思想，进行实验参数的极值预测，与响应面数据处理相比，避免了舍去高次交互项所带来的误差，其对实验参数的预测更加准确。具体做法为：以三维坐标系的二元函数为例：考虑z=f(x,y)，其图像为空间直角坐标系中的曲面。若移动x和y的位置，则z值将会对应地增大或者减小；数学上，将z值增大或缩小“最快”的“移动方向”定义为梯度。若主动地将点(x0,y0)沿该点的梯度移动特定距离至(x1,y1)，再将点(x1,y1)沿该点的梯度移动特定距离至(x2,y2)……反复进行该操作，则点的位置将逐渐逼近函数的极大/小值。

本研究建立的BP神经网络模型可视作酶添加量、pH、时间和温度为自变量的四元函数，在五维坐标系中使用“梯度下降”思想求得该模型衡量指标水解度的极大值。实际操作则通过MATLAB编写程序实现。

经过BP神经网络模型拟合，根据水解度值大小筛选，得到水解度值(大于40%)的处理方案4组，结果如表3所示。

表3 神经网络模型优化所得的极大值Table 3 Maximum alues obtained by neural network model optimization

在神经网络模型求解的极值中，极值点均为数学角度获得，需要结合实际生产情况进行工艺参数的选择。方案3所给出的条件中，温度97.21 ℃显然远超木瓜蛋白酶的最适温度，该方案应舍去；方案4的反应时间大大长于其他几种,但水解度不具有显著优势且酶添加量亦无显著降低，予以舍去；方案1相对于方案2，酶添加量和反应时间有大幅度增加,但水解度并未显著升高，从生产效率和经济价值角度考虑，同样予以舍去。综上，选取方案2做为最终的优化结果。

结合实际生产情况，采用酶添加量4.73%、pH 6.99、温度 54.0 ℃、时间201.0 min进行酶解工艺操作，得到南极磷虾水解度为41.20%，与神经网络的预测值41.36%无显著差异。本研究所建立的神经网络模型能够准确地对南极磷虾酶解工艺进行优化。

3 结论

本研究以南极磷虾酶解反应的水解度为考查指标，以酶添加量、酶解时间、pH和酶解温度为自变量，建立了基于BP神经网络的南极磷虾酶解工艺模型，并借助模型对南极磷虾酶解工艺最佳参数进行了优化。

首先，使用78个样本对该神经网络模型进行83次迭代后，MSE达到最小值0.002 242，所有样本相关系数达到最大值0.956 9，表明南极磷虾酶解反应可以采用BP神经网络的模型对反应过程进行拟合和预测，且该模型的准确度达到了具有应用价值的标准。

随后，使用9个样本对模型进行测试发现，该9组数据的MSE=0.038 89，R=0.985 6。表明该模型对南极磷虾酶解反应的预测良好。

最终，采用“梯度下降”思想求解BP神经网络模型中水解度的极大值，并从经济和效率角度综合分析得最优条件为酶添加量4.73%,pH 6.99,温度 54.0 ℃,时间201.0 min。经实验验证，该酶解条件下所得的南极磷虾水解度为41.20%，与预测值41.36%无显著差异。

本研究所建立的基于BP神经网络的南极磷虾酶解工艺模型能够较好地对南极磷虾酶解反应结果进行预测，研究结果将为南极磷虾酶解工艺的优化提供了新的研究思路和技术参考。相比响应面处理，BP神经网络具有偏差性更小、准确性更好等优势，可在食品相关研究领域中进行广泛应用。在食品生产工艺优化过程中，若使用BP神经网络模型，还应该注意以下几点：

首先，基于BP神经网络的模型建立依赖于足够数量的样本，对于特定问题而言样本数目不应低于某个下限。其次，BP神经网络模型建立的过程中，相关重要参数，如学习率、激活函数、误差函数、隐藏神经元个数等的选取至关重要。具体操作过程中，这些参数的选取和设置也一定程度上依赖于经验参数的选取和预实验的结果。同时，在BP神经网络优化生产工艺时，前期单因素实验结果的准确性和重复性尤为重要。此外，在解决食品领域中具体问题时，神经网络模型的相关评估指标还需要进一步的研究和数据积累。

随着计算机技术的发展，以神经网络模型为代表的机器学习技术将会拥有广阔的发展前景，在此背景下，应用BP神经网络优化南极磷虾酶解工艺的研究，可为南极磷虾蛋白质资源的开发和高值化利用提供技术支持，相关研究也将为神经网络模型在食品领域的应用提供科学借鉴。