可食用昆虫蛋白质的可溶性预测:机器学习和响应表面方法学的比较研究

科学领域:

• 食品科学 食品科学 食品科学
• 生物技术是生物技术.
• 数据科学数据科学数据科学

背景情况:

• 预测食用昆虫蛋白质溶解度对于食品产品开发至关重要.
• 像响应表面方法 (RSM) 这样的传统方法在处理复杂数据集方面存在局限性.
• 优化提取和加工条件需要准确的预测模型.

研究的目的:

• 将机器学习 (ML) 模型的预测性能与可食用昆虫蛋白质溶解度的RSM进行比较.
• 确定在预测蛋白质溶解度方面提供卓越准确性和可靠性的ML模型.
• 通过特征重要性分析来确定影响蛋白质溶解性的关键因素.

主要方法:

• 评估的线性回归 (LR),决策树 (DT),随机森林 (RF) 和XGBoost (XGB) 模型.
• 与响应表面方法 (RSM) 进行ML模型性能比较.
• 使用十倍交叉验证来评估模型的稳定性和预测准确性.

主要成果:

• RSM提供了统计学上显著的结果 (p < 0.001),但其适用性有限.
• DT,RF和XGB模型实现了高预测精度 (R2>0.99).
• DT和XGB在交叉验证后表现得更好,这表明对未见的数据进行了更好的概括. 蛋白质提取方法被确定为影响溶解度的关键因素.

结论:

• 与RSM相比,机器学习模型,特别是DT和XGB,在可食用昆虫蛋白质溶解度方面的预测性能优于RSM.
• ML模型可以在各种提取和加工条件下准确预测溶解度.
• 实施ML模型可以优化实验设计,减少食用昆虫蛋白研究的时间和成本.