使用合成数据驱动机器学习 (SDDML) 模型评估冷储存的银鱼苏里米凝质量
Jingyi Yang1, Shuairan Chen2, Tianjian Tong3
1Department of Agricultural and Biosystems Engineering, Iowa State University, Ames, IA 50011, USA.
Gels (Basel, Switzerland)
|October 28, 2025
概括
冷银的surimi凝质量随着长期储存而降低. 添加转胺酶 (0.1重量%) 有效地保留了凝特性,而合成数据驱动的机器学习则有助于对增值产品的配方优化.
科学领域:
- 食品科学与技术 食品科学与技术
- 生物技术是生物技术.
- 机器学习应用 机器学习应用
背景情况:
- 侵袭性银鱼 (Hypophthalmichthys molitrix) 是北美一个潜在的surimi资源.
- 冷储存大大降低了银沙里米的凝形成能力,影响了其增值潜力.
研究的目的:
- 为了研究冷储存时间对银鱼suriimi凝性质的影响.
- 评估食品添加剂在缓解冷储存引起的损坏方面的有效性.
- 开发和应用一个合成数据驱动的机器学习 (SDDML) 方法来优化surimi gel的质量.
主要方法:
- 经过六个月的冷储存后,对银鱼的surimi凝特性进行分析.
- 测试食品添加剂的有效性,包括微纤维,转谷氨酸酶和皮原蛋白.
- 开发和验证基于森林的随机SDDML模型,以预测凝质量属性.
主要成果:
- 短期冷储存 (<2个月) 提高了可吸收性;长期储存 (>2个月) 是有害的.
- 转胺酶 (0.1重量%) 是最有效的添加剂,恢复了与新鲜样品相比的凝质量.
- 该SDDML模型准确地表示实验数据 (R2 = 0.871-0.889) 并改善了凝质量属性的预测.
结论:
- 转氨酸酶可以有效地抵消长期冷储存对银鱼外形的负面影响.
- 在优化食品制品配方方面,SDDML提供了一种有希望的方法来克服数据短缺.
- 这项研究表明,有一条途径可以提高像银鱼这样的入侵物种在高价值食品中的利用率.
