基于神經網絡算法的龍山小米γ-氨基丁酸富集工藝優化

張一鳴，和法濤，葛邦國，高 玲

（中華全國供銷合作總社 濟南果品研究院，山東 濟南 250014）

龍山小米特產于山東省濟南市章丘區，是全國農產品地理標志，也是歷史上全國四大貢米之一。龍山小米香味濃郁且營養豐富，富含多種微量元素和生物活性成分[1-4]。目前龍山小米主要以鮮銷為主，通過精深加工制備的高附加值產品較少，產業產值較低，亟需轉型升級。γ-氨基丁酸廣泛存在于谷物作物中，具有降血壓、改善腦機能、防止動脈硬化等功能，植物性來源的γ-氨基丁酸產品因其安全性、天然性的特點備受研究者關注[5-7]。已有研究表明，通過谷物發芽的方式，可有效提高谷物中γ-氨基丁酸含量，并進行高附加值產品開發[8-10]。

神經網絡（Artificial neural networks，ANN）是一種數據分析方法，通過模仿大腦的神經網絡行為特點對數據進行處理，具有極強的非線性映射能力，廣泛應用于生物、農業、機械等領域的模型建立[11-12]。遺傳算法(（Genetic algorithm，GA)是一種基于人工智能的隨機非線性優化方式，可實現隨機、自適應、并行性全局搜索尋優[11-12]。通過遺傳算法結合神經網絡進行工藝優化，可有效避免傳統優化方法易產生局部最優解的情況，更適合進行全局最優組合設計[11-15]。將神經網絡算法應用于龍山小米 γ-氨基丁酸富集工藝的研究尚未見報道。

本研究將神經網絡應用于龍山小米 γ-氨基丁酸富集工藝優化，以期為龍山小米產品開發提供新思路，延伸龍山小米加工產業鏈，推動地方特色農產品經濟發展，促進我國新舊動能轉換。

1 材料與方法

1.1 材料與試劑

小米，章丘龍山小米（糙米）：購于山東省濟南市章丘區；

γ-氨基丁酸標準品，色譜純級：美國 Sigma公司；乙腈，色譜純級：美國TEDIA公司；磷酸，分析純級：北京化工廠；硼酸、鄰苯二甲醛、巰基乙醇、氫氧化鈉、醋酸、三乙胺、四氫呋喃、2-辛醇、甲醇，分析純級：國藥集團化學試劑有限公司；三水乙酸鈉，分析純級：源葉生物有限公司。

1.2 儀器與設備

XS 365M電子天平：瑞士普里賽斯儀器有限公司；DS-56III雙螺桿擠壓膨化機：濟南賽信機械有限公司；500Y型高速多功能粉碎機：浙江銳騰食品機器有限公司；UV1000分光光度計：上海天美科學儀器有限公司。

MA160-1CN型水分分析測定儀：賽多利斯科學儀器（北京）有限公司；SPX-150B-Z型生化培養箱：上海博遠實業有限公司；KQ-600E超聲波振蕩器：昆山舒美有限公司；2695型液相色譜儀：沃特世科技（上海）有限公司；500Y型紫外檢測器：Empower工作站。

1.3 實驗方法

1.3.1 工藝流程

龍山小米→清洗→浸泡→發芽（富集 γ-氨基丁酸）→干燥

1.3.2 單因素實驗

取一定量龍山小米不發芽作為空白組，另取一定量龍山小米作為實驗組置于燒杯中，室溫浸泡一段時間后，置于培養箱中一定溫度下發芽。以 γ-氨基丁酸含量為指標，單因素實驗條件分別為浸泡時間4、8、12、16、20 h；發芽溫度25、30、35、40、45 ℃；發芽時間 12、24、36、48、60 h。考察單因素實驗條件時，設置固定條件為浸泡時間12 h；發芽溫度40 ℃；發芽時間48 h。分別測定空白組和實驗組γ-氨基丁酸含量。

1.3.3 響應面優化實驗

以浸泡時間（X1）、發芽溫度（X2）和發芽時間（X3）作為自變量，樣品γ-氨基丁酸含量作為因變量（y），進行N=17的響應面（Box-Behnken）優化實驗，結合單因素實驗最優結果，在滿足最優工藝范圍的情況下，設置因素水平編碼表見表1。

表1 因素水平編碼表Table 1 Factor level coding table

1.3.4 BP神經網絡

設置該神經網絡模型拓撲結構為 3-10-1，其中神經網絡設置輸入層為3個神經元，即浸泡時間（X1）、發芽溫度（X2）和發芽時間（X3）；設置1個隱含層，包含10個神經元，以滿足輸入層數據計算；將γ-氨基丁酸含量（Y）設為輸出層；通過模擬龍山小米發芽過程中的 γ-氨基丁酸含量變化，確定相關因素對龍山小米 γ-氨基丁酸含量的影響。拓撲結構圖見圖1。

圖1 神經網絡拓撲結構Fig.1 The architecture of artificial neural network

本次優化以建立的神經網絡模型為遺傳算法的適應度函數，利用適應度函數對個體進行選擇，進而對龍山小米γ-氨基丁酸富集工藝進行尋優。

1.3.5 γ-氨基丁酸測定

采用高效液相色譜法測定γ-氨基丁酸的含量，測定方法結合NY/T 2890—2016《稻米中γ-氨基丁酸的測定 高效液相色譜法》和 QB/T 4587—2013《γ-氨基丁酸》。

稱取一定量樣品，研磨后過60目篩，加入一定量乙醇水溶液，超聲提取后靜置離心，取上清液，樣品殘渣進行2次提取，合并上清液。加入一定量鄰苯二甲醛-乙腈衍生劑，反應后進樣。

色譜分析條件：流動相分為A相和B相。A相：稱一定量的結晶乙酸鈉，定容至1 000 mL，加一定量三乙胺，調整pH至7.20后加四氫呋喃，混合過濾備用。B相：按A相的方法配置，調好pH后按照體積比為甲醇∶乙酸鈉∶乙腈=2∶1∶2混合過濾備用。柱溫40 ℃、流速1.0 mL/min、檢測波長：338 nm。

1.4 數據分析

數據差異顯著性通過軟件 SPSS 22.0進行分析，響應面優化實驗通過軟件Design Expert 8.0進行分析，神經網絡建模和遺傳網絡尋優通過軟件Matlab 2018b進行。

2 結果與分析

2.1 工藝優化結果

2.1.1 單因素實驗

浸泡時間對樣品γ-氨基丁酸含量的影響見圖2。

圖2 浸泡時間對γ-氨基丁酸含量的影響Fig.2 Effect of soaking time on γ-aminobutyric acid content

由圖 2可知，隨著浸泡時間的上升，γ-氨基丁酸含量先顯著上升，當達到12 h后呈下降趨勢。分析原因為在小米浸泡過程中，小米吸水提高自身生物酶活性，促進胚乳中的干物質轉化為供給胚乳、發芽所需的營養成分，有利于 γ-氨基丁酸生成，故浸泡時間小于12 h時γ-氨基丁酸含量顯著上升。當浸泡時間過長時，細胞結構損傷導致水溶性物質溶出，γ-氨基丁酸含量降低。故選擇12 h為單因素最適浸泡時間。

發芽溫度對樣品γ-氨基丁酸含量的影響見圖3。隨著發芽溫度的上升，γ-氨基丁酸含量呈現先顯著上升，當達到 35 ℃后呈下降趨勢。分析原因為發芽溫度過高或者過低，都將抑制小米中谷氨酸脫羧酶的活力，進而抑制γ-氨基丁酸的生成[6]。故選擇35 ℃為單因素最適發芽溫度。

圖3 發芽溫度對γ-氨基丁酸含量的影響Fig.3 Effect of germination temperature on γ-amino butyric acid content

發芽時間對γ-氨基丁酸含量的影響見圖4。

圖4 發芽時間對γ-氨基丁酸含量的影響Fig.4 Effect of germination time on γ-amino butyric acid content

由圖 4可知，隨著發芽時間的上升，γ-氨基丁酸含量呈先顯著上升，當48 h后下降的趨勢。分析原因為，小米蛋白在蛋白酶作用下生成谷氨酸，谷氨酸脫羧酶將谷氨酸轉化為γ-氨基丁酸，但較高的γ-氨基丁酸生成量，將激發γ-氨基丁酸轉氨酶的活性，使γ-氨基丁酸轉化為琥珀酸半醛，故過長的發芽時間，γ-氨基丁酸含量下降[8]。選擇48 h為單因素最適發芽時間。

2.1.2 響應面實驗優化

響應面優化實驗結果見表2。

表2 響應面優化實驗結果Table 2 Test results of response surface optimization

使用 Design Expert 8.0.6中的 Box-Behnken模塊進行響應面優化，得到Y二次多項方程

該二次項模型R2=0.98，說明該模型僅有2%的總量變異不能由模型因素解釋，同時模型信噪比=71.01＞4，說明該模型擬合程度較好，優化結果較為可信。模型方差分析結果如表3所示。

由表3可知，該預測模型項P＜0.000 1，呈極顯著水平，模型失擬項P=0.245 2，呈不顯著水平，同時模型 X1、X2、X3、X1X2、X12、X22、X32項呈極顯著水平，模型X2X3項呈顯著水平，說明該預測模型擬合程度良好。

各因素對響應值的影響見圖 5。由圖 5結合表3可知，浸泡時間和發芽溫度交互作用對γ-氨基丁酸含量影響極顯著（P＜0.01），發芽時間和發芽溫度交互作用對 γ-氨基丁酸含量影響顯著（P＜0.05），浸泡時間和發芽時間交互作用對 γ-氨基丁酸含量影響不顯著（P＞0.05）。

圖5 各因素交互作用對γ-氨基丁酸含量影響的響應面和等高線圖Fig.5 Contours and response surface diagrams of the effects of various factors on the γ-amino butyric acid content

表3 方差分析Table 3 Analysis of variance

2.1.3 BP神經網絡的建立與訓練

神經網絡誤差下降曲線圖如圖6所示。隨著訓練次數的增加，模型的均方誤差逐漸逼近最優誤差值。當神經網絡訓練迭代到157次時，訓練誤差達到最優值0.000 2，表明該神經網絡模型可信性較高。

圖6 BP神經網絡均方誤差圖Fig.6 MSE curve of BP neural network

BP神經網絡模型訓練的相關系數見圖7。當訓練誤差為0.000 2時，BP神經網絡模型訓練的相關系數為 0.999（R＞0.95），結果表明本次訓練的BP網絡模型對于訓練樣本逼近能力較高，能較好的描述浸泡時間、發芽溫度、發芽時間和樣品 γ-氨基丁酸含量間的關系，可以用于本工藝優化。

圖7 BP神經網絡訓練相關系數圖Fig.7 Correlation coefficient diagram of BP neural network training

模型隨機驗證結果見圖8。在17組實驗數據中隨機選擇 3組數據，對 BP神經網絡模型進行驗證，結果表面3組數據實際值與模型預測值誤差分別為4.75%、0.25%、0.5%，誤差均小于10%，說明該模型預測性較好。

圖8 模型隨機驗證結果Fig.8 Model random verification results

利用人工神經網絡（ANN）預測各因素對γ-氨基丁酸含量的影響見圖9。

圖9 利用ANN預測各因素交互作用對γ-氨基丁酸含量的影響Fig.9 Using ANN to predict the impact of various factors on γ-amino butyric acid

由圖9可知，浸泡時間、發芽溫度和發芽時間對 γ-氨基丁酸含量都有較大影響且相互間存在交互作用，γ-氨基丁酸在該模型中存在全局最優。說明本次建立的BP神經網絡具有較好的預測性，可以明確輸入數據和輸出數據之間的關系，作為模擬小米發芽富集γ-氨基丁酸過程的預測工具。

2.1.4 遺傳算法尋優

圖10為遺傳算法尋優的適應度曲線。

圖10 適應度曲線Fig.10 The fitness curve

由圖10可知，遺傳算法（GA）能夠進一步完善實驗的優化工藝并在模型中尋找最優值。隨著遺傳進化迭代次數的增加，適應度值首先呈斷崖式下降，隨后又進行了3次選擇處理，被選擇個體的適應度值產生小范圍的改變，并逐步向最優適應度值逼近，適應度曲線在進行51次迭代時收斂于最優適應度。通過循環迭代處理，當進化代數增大至60代時，GA 停止選擇并得出適應度值最高的個體。運行出的優化結果：最優工藝參數為浸泡時間11.7 h，發芽溫度38.5 ℃，發芽時間49.4 h，最優γ-氨基丁酸含量為445.75 mg/kg。根據模型優化方案結合實驗設備可設置參數實際情況進行驗證實驗，相關結果如表4所示。

表4 模型優化結果及驗證比較Table 4 The optimization results and comparative validation

由表4可知，驗證實驗的γ-氨基丁酸含量為444.03 mg/kg，比模型優化值 445.75 mg/kg低0.39%，實驗相對誤差維持在±5%的范圍內，達到了該模型對實驗精確度的要求。GA-BP 神經網絡優化的最佳條件為：浸泡時間 11.5 h，發芽溫度38.5 ℃，發芽時間49.5 h。未處理的龍山小米γ-氨基丁酸含量為66.46 mg/kg，通過最優富集工藝處理后的龍山小米γ-氨基丁酸含量提高5.68倍。

3 結論

通過對龍山小米進行發芽富集 γ-氨基丁酸，研究浸泡時間、發芽溫度和發芽時間對龍山小米γ-氨基丁酸含量的影響。在單因素實驗的基礎上，運用Design Expert 8.0中Box-Behnken模塊進行3因素3水平的響應面實驗設計，通過matlab2018b建立 BP神經網絡模型，結合遺傳算法最終確定最優工藝參數。龍山小米 γ-氨基丁酸富集最優工藝為：浸泡時間11.5 h，發芽溫度38.5 ℃，發芽時間49.5 h。在此工藝下龍山小米γ-氨基丁酸含量為444.03 mg/kg，相比未處理樣品含量提高5.68倍。通過 BP神經網絡的模型優化，對龍山小米富集 γ-氨基丁酸的工藝提供數據參考，可推動龍山小米產業提質增效，帶動地方特色農產品經濟發展。但本研究的γ-氨基丁酸富集工藝為傳統發芽法，尚需結合生物酶法、改性等技術手段進行深入研究，進一步提高γ-氨基丁酸富集效果。