使用RSM和ANFIS建模与机器学习算法的机器学习算法,优化超声波辅助从Vitis vinifera种子中提取生物活性成分
Selvaraj Kunjiappan1, Lokesh Kumar Ramasamy2, Suthendran Kannan3
1Department of Biotechnology, Kalasalingam Academy of Research and Education, Krishnankoil, Tamil Nadu, 626126, India. selvaraj.k@klu.ac.in.
Scientific reports
|January 12, 2024
概括
这项研究优化了使用响应表面方法和机器学习从葡萄种子中提取多的方法,实现了高产的有益化合物. 这些发现提供了一种有效的方法来最大限度地提高植物材料的抗氧化剂潜力.
科学领域:
- 农业科学 农业科学
- 食品科学 食品科学 食品科学
- 生物化学 生物化学
背景情况:
- 植物性多提供显著的健康益处.
- 葡萄种子是这些有价值的化合物的丰富,未得到充分利用的来源.
- 有效的提取方法对于最大限度地提高多产量至关重要.
研究的目的:
- 为了优化葡萄种子中的多提取.
- 确定最大限度地提高总含量 (TPC),总黄含量 (TFC) 和抗氧化活性的理想条件.
- 为了比较响应表面方法 (RSM),自适应神经模糊推断系统 (ANFIS) 和机器学习 (ML) 算法的有效性.
主要方法:
- 利用RSM基于五个变量来建模提取过程:颗粒大小,甲醇度,超声波时间,温度和强度.
- 使用ANFIS和随机森林回归器ML算法进行验证和比较.
- 执行气体染色学-质谱学 (GC-MS) 和液体染色学-质谱学 (LC-MS) 用于化合物识别.
主要成果:
- 在优化条件下,产生了670.32 mg GAE/g TPC,451.45 mg RE/g TFC,81.23% DPPH*sc,77.39% ABTS*sc,以及71.55 μg mol (Fe(II)) /g FRAP.
- 在优化条件下,实验和预测值显示出极好的一致性.
- 为预测开采产量,建议采用一个合适的二次模型.
结论:
- 该研究成功地确定了从葡萄种子中最大限度地提取多和抗氧化剂的最佳参数.
- RSM,ANFIS和ML模型有效地预测和验证了提取过程.
- 优化的提取物含有已识别的生物活性化合物,突出其在健康应用中的潜力.
