基于质构仪TPA模式构建蛋白肠感官评分预测模型及应用

朱美淋 张贞炜 余杰 黄潇漪 蒋雨含 邢沁浍 贾利蓉

摘要：為建立一套客观、数据化评价动植物双蛋白肠感官综合评分的方法，该研究采用质构剖面分析（TPA）测定24 组不同配方的样品，结合感官评价方法，通过逐步回归分析建立感官综合评分预测模型，并将其应用于响应面实验以优化双蛋白肠的配方。结果表明，动植物双蛋白肠的感官综合评分预测模型为Y=－68.110＋0.003×硬度＋79.119×弹性－0.001×咀嚼性－18.393×回复性，该模型相关系数R2为0.902，校正决定系数RAdj2为0.875；响应面回归模型相关系数 R2为0.962，校正决定系数 RAdj2为 0.924，预测系数RPred2为0.861，优化后蛋白肠的最佳配方为大豆拉丝蛋白质量分数74%、猪肉质量分数16%、大豆分离蛋白与花生蛋白粉比例7∶3、猪肉肥瘦比例7∶3，该配方下产品的感官评分实际值为8.51，与理论预测值（8.45）误差较小。该研究得到的动植物双蛋白肠感官综合评分预测模型的拟合度较高，实测值与预测值的吻合度较好，模型在响应面实验中具有可行性，为客观、快捷地评价新型肉肠的感官品质提供了新思路。

关键词：动植物双蛋白肠；质构剖面分析；感官综合评分；回归模型；响应面实验

中图分类号：TS251.65      文献标志码：A     文章编号：1000-9973（2024）04-0044-06

Construction of Prediction Model for Sensory Score of Protein Sausages

Based on TPA Model of Texture Analyzer and Its Application

ZHU Mei-lin1， ZHANG Zhen-wei1， YU Jie2， HUANG Xiao-yi2，

JIANG Yu-han2， XING Qin-hui3， JIA Li-rong1*

（1.College of Biomass Science and Engineering， Sichuan University， Chengdu 610065， China;

2.Yibin Industrial Technology Research Institute of Sichuan University， Yibin 644000，

China; 3.New Hope Group Co.， Ltd.， Chengdu 611400， China）

Abstract： In order to establish an objective and data-based method for evaluating comprehensive sensory scores of animal and plant double protein sausages， in this study， texture profile analysis （TPA） is used to determine 24 groups of samples with different formulas， and a prediction model for comprehensive sensory scores is established by stepwise regression analysis combined with sensory evaluation method， which is applied to response surface experiment to optimize the formula of double protein sausages. The results show that the prediction model for comprehensive sensory scores of animal and plant double protein sausages is Y=－68.110＋0.003×hardness＋79.119×elasticity－0.001×chewiness－18.393×resilience， with the correlation coefficient R2 of 0.902 and the adjusted determination coefficient RAdj2 of 0.875. The correlation coefficient R2 of the response surface regression model is 0.962， the adjusted determination coefficient RAdj2 is 0.924， and the predicted coefficient RPred2 is 0.861. The optimal formula of protein sausages is optimized as follows： drawing soy  protein mass fraction is 74%， pork mass fraction is 16%， the ratio of soy protein isolate to peanut protein powder is 7∶3 and the ratio of pork fat to lean is 7∶3. The actual value of sensory score of the product prepared under such formula is 8.51， which has a small error with  the theoretical predicted value （8.45）.The prediction model for comprehensive sensory scores of animal  and

收稿日期：2023-10-21

基金項目：2020年四川大学-宜宾市校市战略合作专项资金项目（2020CDYB-1）

作者简介：朱美淋（1998—），女，硕士，研究方向：健康食品工程。

*通信作者：贾利蓉（1972—），女，教授，博士，研究方向：农产品加工及贮藏。

plant double protein sausages has a high fitting degree， and the actual value is in good agreement with the predicted value. The model is feasible in response surface experiment， which has provided a new idea for the objective and rapid evaluation of the sensory quality of new meat sausages.

Key words： animal and plant double protein sausages; texture profile analysis; comprehensive sensory score; regression model; response surface experiment

肉肠类产品包括香肠、萨拉米肠、腊肠等，是消费者喜闻乐见的产品，此类产品胆固醇、饱和脂肪酸等含量较高，随着消费者对健康的日益重视，用部分植物蛋白替代动物肉的双蛋白肠产品逐渐进入人们的视野。质构特性是评价此类产品的关键指标，通常采用感官评价或质构仪的质构剖面分析（texture profile analysis，TPA）[1]进行表征。感官评价能直观反映产品质构的优劣，但评价员需要通过系统筛选和训练，评价小组成员需要保持良好的健康状态、人员相对稳定，因此工作开展难度较大[2]。TPA通过模拟人类牙齿的咀嚼运动，对固体、半固体样品进行两次压缩，从而得到硬度、弹性、内聚性、咀嚼性、回复性等质构参数，相比于传统的感官评价方法，可避免评价员带来的主观误差，具有客观、科学、快捷、方便等优点[3-4]。

多元线性回归是一种客观评价感官品质的方法，可以将复杂的信息简单化，通过建立相关的评价模型，获得量化的评价指标[5]，现已广泛应用于南瓜[6]、黄牛肉[7]、茶叶[8]、全肉肠[9]等食品的感官品质评价中，其利用食品的物理特性、质构仪测定数据等更精准、快速地预测消费者的感官需求，可以节约大量的时间及人工成本。目前新型肉肠的品质评价系统较薄弱，缺乏感官评分数学预测模型的建立和应用，因此本研究以24 组动植物双蛋白肠为研究对象，采用逐步回归分析法建立预测模型并应用于响应面实验，通过TPA数据量化感官综合评分，以提供一套可行的动植物双蛋白肠感官评分的预测评价体系，为新配方和新工艺的开发奠定基础。

1 材料和方法

1.1 材料

大豆拉丝蛋白：四川植得期待生物科技有限公司；大豆分离蛋白：山东万德福实业集团有限公司；花生蛋白粉：乳山市金果食品股份有限公司；猪肉：市售；大豆油：金龙鱼粮油食品股份有限公司；乙酰化双淀粉己二酸酯：河南万邦化工科技有限公司；TG酶：济南青瑞生物科技有限公司。

1.2 主要仪器与设备

博朗FP3010多功能家用食品加工机 德国精工机械有限公司；灌肠机 浙江哈瑞工贸有限公司；电热恒温干燥箱 上海齐欣科学仪器有限公司；DZQ-420C真空包装机 福建省安盛机械设备有限公司；TA-XT Plus质构仪 英国Stable Micro Systems公司。

1.3 方法

1.3.1 动植物双蛋白肠样品的制备

课题组前期已对动植物双蛋白肠基础配方进行了多次探究，以大豆分离蛋白与花生蛋白粉总量为基准，基础配方的各原料质量分数分别为大豆拉丝蛋白48%、猪肉24%（肥肉∶瘦肉为8∶2）、大豆分离蛋白与花生蛋白粉的比例为3∶2、水360%、大豆油60%、淀粉磷酸酯10%、TG酶6%。在上述配方基础上进一步优化：1～6组中大豆拉丝蛋白质量分数分别为48%、58%、68%、78%、88%、98%，7～11组中猪肉质量分数分别为4%、24%、44%、64%、84%，12～18组中大豆分离蛋白与花生蛋白粉的比例分别为10∶0、9∶1、8∶2、7∶3、6∶4、5∶5、4∶6，19～24组中猪肉肥瘦比例分别为5∶0、4∶1、3∶2、2∶3、1∶4、0∶5，其余配方保持不变。将上述材料于斩拌机中混合均匀[10]，灌肠后在55 ℃恒温培养箱中凝胶2 h，80～90 ℃熟化30 min。质构仪分析测定前，将实验样品剥去肠衣，用刀片加工成高度为25 mm的圆柱体。感官评定前将双蛋白肠煎热备用。

1.3.2 质构仪测定方法

质构仪参数设置参考余依敏等[11]的方法并稍作调整，探头型号选择36R，校准高度为30 mm，压缩比设置为50%，触发点负载5×g，探头下压速率2 mm/s、测试速率1 mm/s、返回速率5 mm/s，循环2次，循环间可恢复时间3 s，目标形变量3 mm，数据频率10点/s，每组平行5次。

1.3.3 感官评价

感官评价小组由10名经筛选和训练的评价员组成，对样品进行随机编号并置于白色瓷盘中，评价员在同一环境中进行独立感官评分，评价完一组样品后用清水漱口，间隔30 s后再进行下一组样品的评定。

感官分项评价采用10分制，各项目分为差（0～2分）、中等（3～5分）、较好（6～7分）、好（8～10分），对样品的外观（气泡密度和颜色亮白程度）、风味（植物蛋白和猪肉风味协调程度）、组织状态（切面紧致程度）、口感（肉感和嚼劲）进行逐一评价，感官综合评分=外观×0.2+风味×0.2+组织状态×0.2+口感×0.4。

1.3.4 响应面优化实验

根据单因素实验结果，采用Box-Behnken设计原理，以大豆拉丝蛋白质量分数（A）、猪肉质量分数（B）、大豆分离蛋白与花生蛋白粉比例（C）和猪肉肥瘦比例（D）4个因素为响应面考察因素，以感官综合评分为响应值，响应面实验设计见表1。

1.3.5 数据分析

使用IBM SPSS 27软件进行显著性分析，并对24组数据进行逐步回归分析；利用Design Expert 13.0.1软件对响应面实验数据进行多元回归拟合及对模型进行方差分析，P<0.05 表示差异显著，P<0.01表示差异极显著。

2 结果与分析

2.1 动植物双蛋白肠质构与感官数据分析

以24 组动植物双蛋白肠为实验对象进行质构分析及感官综合评价，质构分析指标包括硬度、弹性、内聚性、咀嚼性、回复性，结果见表2。

由表2可知，测定指标中咀嚼性的变异系数最大，为0.26%，其次是硬度和感官综合评分，均为0.23%，弹性组间差异最小，变异系数仅为0.02%，说明改变产品配方中的大豆拉丝蛋白质量分数、大豆分离蛋白与花生蛋白粉比例、猪肉质量分数及猪肉肥瘦比例对双蛋白肠咀嚼性、硬度、感官评分的影响较大，对弹性的影响最小。这是因为植物蛋白粉共混形成了双蛋白肠主要的三维基质或交织网络[12]，大豆拉丝蛋白呈纤维状，适量添加会增强网络稳定性[13]；猪瘦肉中的蛋白质和猪肥肉中的脂肪发生乳化作用，可以改变肠内肉馅的黏稠度和均匀度[14]，上述原料对双蛋白肠的三维网络强度影响较大，因此产品的硬度、咀嚼性、感官综合评分变化较大。

2.2 预测模型建立

经前期实验筛选后得到各项指标均在合理范围内的实验组，以质构仪测定的动植物双蛋白肠指标硬度、弹性、内聚性、咀嚼性、回复性为自变量，感官综合评分为因变量，进行线性逐步回归分析。5个变量的显著性水平为硬度＜0.001、弹性＜0.001，内聚性、咀嚼性、回复性分别为0.495，0.017，0.020，变量入选的显著水平为0.05[15]，故舍去变量内聚性，建立感官综合评分预测模型为Y=－68.110＋0.003×硬度＋79.119×弹性－0.001×咀嚼性－18.393×回复性，该回归方程的P值小于0.001，相关系数R2为0.902，校正决定系数RAdj2为0.875，则方程因变量（感官综合评分）可被自变量解释的程度达到90.2%，表明筛选变量后构建的多元回归模型拟合度较好[16-17]。为了验证模型的可行性，将预测结果与感官综合评分进行统计分析，结果见表3。

由表3可知，标准误差最大值为1.03（第10组），超过0.6的分别为第2，10，12，17组，其余实际得分与预测值的吻合度较好，表明基于质构仪TPA模式建立的感官评分预测模型可以用于动植物双蛋白肠。

2.3 预测模型的应用

2.3.1 感官综合评分预测

用质构仪测定响应面实验设计中29组样品的硬度、弹性、咀嚼性、回复性，通过感官评价预测模型得到感官综合评分预测值，结果见表4。

2.3.2 响应面回归模型分析

将感官评分预测模型得到的感官评分值进行响应面分析，结果见表5。

由表5可知，响应面回归模型达到了极显著水平（P＜0.01），失拟项不显著（P=0.894 9>0.05），说明模型误差小[18]；变异系数为3.37%（<10%），说明模型对响应值的置信度良好，该模型可以较好地反映真实的实验结果；模型相关系数 R2 为 0.962，说明该实验模型与实际实验拟合较好，实际实验中约 96.2%的结果可以通过拟合模型进行解释[19]；校正后的决定系数RAdj2为 0.924，预测系数RPred2为0.861，两者差值小于0.2，说明模型有较充分的准确性和通用性[20]，因此可以用此模型来分析和预测双蛋白肠配方实验中各因素对感官综合评分的影响。以动植物双蛋白肠的感官评分为目标函数，得到二次回归方程：Y=8.08+0.392 5A－0.654 2B－0.058 3C－0.315 0D－0.39AB－0.372 5AC－0.535 0AD－0.065BC－0.062 5BD－0.257 5CD－0.432 2A2－0.719 7B2－0.400 9C2－1.02D2。

由表5可知，4个因素的F值大小为B>A>D>C，即4个因素对动植物双蛋白肠的感官综合评分影响大小为猪肉质量分数>大豆拉丝蛋白质量分数>猪肉肥瘦比例>大豆分离蛋白与花生蛋白粉比例[21]。一次项中A、B、D及二次项的P值均小于0.01，表明对应的因素对响应值的影响极显著；交互项AB、AC和AD的显著性水平都小于0.01，交互作用极显著，交互项CD对响应值影响显著（P＜0.05）。响应曲面图能直观反映交互作用对响应值的影响程度，曲面越陡，则影响越显著[22-23]，響应面图1～图3坡面陡峭（P＜0.01），说明AB、AC和AD对结果有极显著影响，图4陡峭程度较缓（P＜0.05），说明CD交互作用显著，响应曲面图结果与方差分析结果一致。

2.3.3 优化配方参数及验证实验

将实验方程进行分析求解，最佳实验条件为大豆拉丝蛋白质量分数73.67%、猪肉质量分数15.96%、大豆分离蛋白与花生蛋白粉比例6.98∶3.02、猪肉肥瘦比例6.82∶3.18，考虑到工业生产的便捷性，将条件调整为大豆拉丝蛋白质量分数74%、猪肉质量分数16%、大豆分离蛋白与花生蛋白粉比例7∶3、猪肉肥瘦比例7∶3，此时感官综合评分的理论预测值为8.45。最优组平行实验重复3次，感官综合评分实际值为8.51，与理论预测值误差较小，表明该模拟回归实验模型准确性高，本实验感官综合评分的预测和分析可以使用响应面法。

3 结论

对24组不同配方的动植物双蛋白肠的感官综合评分及质构仪测定数据进行变异系数分析，改变大豆拉丝蛋白质量分数、猪肉质量分数、大豆分离蛋白与花生蛋白粉比例及猪肉肥瘦比例对产品咀嚼性、硬度、感官综合评分的影响较大，对弹性的影响最小。

将感官综合评分与质构数据进行逐步回归分析，内聚性显著性水平大于0.05，不满足变量入选条件，构建具有统计学意义的感官预测模型Y=－68.110＋0.003×硬度＋79.119×弹性－0.001×咀嚼性－18.393×回复性，模型预测值与实测值之间吻合度较好。

将预测模型应用于响应面实验，通过测定质构特征指标硬度、弹性、咀嚼性及回复性，将感官模型预测值作为响应值，得到的响应面回归模型达到了极显著水平（P＜0.01），96.2%的结果可以通过拟合模型进行解释，模型的准确性和通用性良好；响应面法最终确定动植物双蛋白肠的最优配方为大豆拉丝蛋白质量分数74%、猪肉质量分数16%、大豆分离蛋白与花生蛋白粉比例7∶3、猪肉肥瘦比例7∶3。该配方下的产品感官良好，感官综合评分为8.51。

综上所述，本研究根据感官品质分析、质构特征指标建立的动植物双蛋白肠品质评价方法具有可行性，所得产品外观及切面无明显气孔、组织紧实、咀嚼感良好、肉感佳。

参考文献：

[1]GUAZI J S， CONTI A C. Use of artificial saliva for evaluation of instrumental texture of expanded snacks： part Ⅱ—correlations between sensory characteristics and instrumental properties[J].European Food Research and Technology，2022，249（4）：975-984.

[2]YU M， ZHENG C， XIE Q， et al. Flavor wheel construction and sensory profile description of human milk[J].Nutrients，2022，14（24）：5387-5396.

[3]羅斌，赵有斌，尹学清，等.质构仪在果蔬品质评定中应用的研究进展[J].食品研究与开发，2019，40（5）：209-213.

[4]霍胜伟.质构仪在食品研究中的应用现状[J].现代食品，2017（16）：75-77.

[5]WANG L， LIU H， LIU L， et al. Prediction of peanut protein solubility based on the evaluation model established by supervised principal component regression[J].Food Chemistry，2017，218：553-560.

[6]赵思颖，李璐，刘小茜，等.基于感官品质、质构特征及理化成分分析的中国南瓜果实感官综合评价预测模型[J].食品科学，2022，43（23）：63-71.

[7]魏萌，张松山，谢鹏，等.九种本地雪花黄牛肉消费者感官评价及品质预测模型构建[J].食品工业科技，2022，43（6）：278-286.

[8]蒋青香，李慧雪，李利君，等.基于感官检验和气相色谱-质谱联用对白芽奇兰茶叶香气分级[J].食品科学，2021，42（20）：98-106.

[9]刘昶，孟高歌，王晗，等.基于综合品质预测模型的低钠盐猪肉熏煮香肠感官品质调控[J].食品与发酵工业，2023，49（3）：268-274.

[10]林晗，李顺舟，刘淑君，等.植物基蛋白肠产品基础配方[J].食品工业，2022，43（2）：120-125.

[11]余依敏，夏强，杨林林，等.魔芋葡甘聚糖-可得然胶共混凝胶替代动物脂肪对乳化肠品质特性的影响[J].食品科学，2021，42（16）：46-53.

[12]黄培文，陈林，丁婷，等.高压均质对油脂预乳化大豆拉丝蛋白素食香肠质构特性的影响[J].农业工程学报，2022，38（19）：269-276.

[13]柳泽洋，王才立，张钊，等.植物基火腿的研发与配方优化[J].大豆科技，2022（5）：11-19.

[14]孙方达，赵钜阳，李媛媛，等.原料肉质量及斩拌比例对红肠品质影响的研究[J].食品工业，2016，37（4）：197-202.

[15]张忆洁，祁岩龙，宋鱼，等.不同马铃薯品种用于加工面条的适宜性[J].现代食品科技，2020，36（2）：85-93.

[16]PREZ-CACHO P R， HABA RUIZ M A， DIOS-PALOMARES R， et al.Linear regression models for estimating the effect of technological factors on the sensory characteristics of goat cheeses[J].International Journal of Food Science & Technology，2019，54（7）：2396-2407.

[17]王勇峰，郎玉苗，丰永红，等.运用逐步回归方法建立牛肉感官品质预测模型[J].食品工业科技，2016，37（13）：67-71.

[18]巫永华，顾冉，滕迎弟，等.响应面优化黑豆皮膳食纤维鸡肉香肠工艺与品质分析[J].中国调味品，2022，47（12）：108-112.

[19]蔡梦迪，李玉辉，沈春霞，等.响应曲面设计结合熵权法优化石磨全麦挂面配方[J].食品与发酵工业，2024，50（15）：259-266.

[20]翟芳芳，朱文学，马怡童，等.响应面试验优化低糖牡丹花脯涂膜配方[J].食品科学，2016，37（16）：83-87.

[21]丁华，魏佳，林丽静，等.响应面法优化灰枣超微粉制备工艺及其粉体性能表征[J].现代食品科技，2023，39（1）：238-246.

[22]PEREZ-BAEZ A J， VALENZUELA-MELENDRES M， CAMOU J P， et al. Modelling the effects of roselle extract， potato peel flour， and beef fat on the sensory properties and heterocyclic amines formation of beef patties studied by using response surface methodology[J].Foods，2021，10（6）：1184-1191.

[23]李睿，郝瑞，王宇，等.模糊数学结合响应面法研制即食黄芪[J].食品安全质量检测学报，2023，14（2）：316-323.