基于質構儀TPA模式構建蛋白腸感官評分預測模型及應用

朱美淋 張貞煒 余杰 黃瀟漪 蔣雨含 邢沁澮 賈利蓉

摘要：為建立一套客觀、數據化評價動植物雙蛋白腸感官綜合評分的方法，該研究采用質構剖面分析（TPA）測定24 組不同配方的樣品，結合感官評價方法，通過逐步回歸分析建立感官綜合評分預測模型，并將其應用于響應面實驗以優化雙蛋白腸的配方。結果表明，動植物雙蛋白腸的感官綜合評分預測模型為Y=－68.110＋0.003×硬度＋79.119×彈性－0.001×咀嚼性－18.393×回復性，該模型相關系數R2為0.902，校正決定系數RAdj2為0.875；響應面回歸模型相關系數 R2為0.962，校正決定系數 RAdj2為?0.924，預測系數RPred2為0.861，優化后蛋白腸的最佳配方為大豆拉絲蛋白質量分數74%、豬肉質量分數16%、大豆分離蛋白與花生蛋白粉比例7∶3、豬肉肥瘦比例7∶3，該配方下產品的感官評分實際值為8.51，與理論預測值（8.45）誤差較小。該研究得到的動植物雙蛋白腸感官綜合評分預測模型的擬合度較高，實測值與預測值的吻合度較好，模型在響應面實驗中具有可行性，為客觀、快捷地評價新型肉腸的感官品質提供了新思路。

關鍵詞：動植物雙蛋白腸；質構剖面分析；感官綜合評分；回歸模型；響應面實驗

中圖分類號：TS251.65 ?????文獻標志碼：A ????文章編號：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年四川大學-宜賓市校市戰略合作專項資金項目（2020CDYB-1）

作者簡介：朱美淋（1998—），女，碩士，研究方向：健康食品工程。

*通信作者：賈利蓉（1972—），女，教授，博士，研究方向：農產品加工及貯藏。

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

肉腸類產品包括香腸、薩拉米腸、臘腸等，是消費者喜聞樂見的產品，此類產品膽固醇、飽和脂肪酸等含量較高，隨著消費者對健康的日益重視，用部分植物蛋白替代動物肉的雙蛋白腸產品逐漸進入人們的視野。質構特性是評價此類產品的關鍵指標，通常采用感官評價或質構儀的質構剖面分析（texture profile analysis，TPA）[1]進行表征。感官評價能直觀反映產品質構的優劣，但評價員需要通過系統篩選和訓練，評價小組成員需要保持良好的健康狀態、人員相對穩定，因此工作開展難度較大[2]。TPA通過模擬人類牙齒的咀嚼運動，對固體、半固體樣品進行兩次壓縮，從而得到硬度、彈性、內聚性、咀嚼性、回復性等質構參數，相比于傳統的感官評價方法，可避免評價員帶來的主觀誤差，具有客觀、科學、快捷、方便等優點[3-4]。

多元線性回歸是一種客觀評價感官品質的方法，可以將復雜的信息簡單化，通過建立相關的評價模型，獲得量化的評價指標[5]，現已廣泛應用于南瓜[6]、黃牛肉[7]、茶葉[8]、全肉腸[9]等食品的感官品質評價中，其利用食品的物理特性、質構儀測定數據等更精準、快速地預測消費者的感官需求，可以節約大量的時間及人工成本。目前新型肉腸的品質評價系統較薄弱，缺乏感官評分數學預測模型的建立和應用，因此本研究以24 組動植物雙蛋白腸為研究對象，采用逐步回歸分析法建立預測模型并應用于響應面實驗，通過TPA數據量化感官綜合評分，以提供一套可行的動植物雙蛋白腸感官評分的預測評價體系，為新配方和新工藝的開發奠定基礎。

1 材料和方法

1.1 材料

大豆拉絲蛋白：四川植得期待生物科技有限公司；大豆分離蛋白：山東萬德福實業集團有限公司；花生蛋白粉：乳山市金果食品股份有限公司；豬肉：市售；大豆油：金龍魚糧油食品股份有限公司；乙酰化雙淀粉己二酸酯：河南萬邦化工科技有限公司；TG酶：濟南青瑞生物科技有限公司。

1.2 主要儀器與設備

博朗FP3010多功能家用食品加工機 德國精工機械有限公司；灌腸機 浙江哈瑞工貿有限公司；電熱恒溫干燥箱 上海齊欣科學儀器有限公司；DZQ-420C真空包裝機 福建省安盛機械設備有限公司；TA-XT Plus質構儀 英國Stable Micro Systems公司。

1.3 方法

1.3.1 動植物雙蛋白腸樣品的制備

課題組前期已對動植物雙蛋白腸基礎配方進行了多次探究，以大豆分離蛋白與花生蛋白粉總量為基準，基礎配方的各原料質量分數分別為大豆拉絲蛋白48%、豬肉24%（肥肉∶瘦肉為8∶2）、大豆分離蛋白與花生蛋白粉的比例為3∶2、水360%、大豆油60%、淀粉磷酸酯10%、TG酶6%。在上述配方基礎上進一步優化：1～6組中大豆拉絲蛋白質量分數分別為48%、58%、68%、78%、88%、98%，7～11組中豬肉質量分數分別為4%、24%、44%、64%、84%，12～18組中大豆分離蛋白與花生蛋白粉的比例分別為10∶0、9∶1、8∶2、7∶3、6∶4、5∶5、4∶6，19～24組中豬肉肥瘦比例分別為5∶0、4∶1、3∶2、2∶3、1∶4、0∶5，其余配方保持不變。將上述材料于斬拌機中混合均勻[10]，灌腸后在55 ℃恒溫培養箱中凝膠2 h，80～90 ℃熟化30 min。質構儀分析測定前，將實驗樣品剝去腸衣，用刀片加工成高度為25 mm的圓柱體。感官評定前將雙蛋白腸煎熱備用。

1.3.2 質構儀測定方法

質構儀參數設置參考余依敏等[11]的方法并稍作調整，探頭型號選擇36R，校準高度為30 mm，壓縮比設置為50%，觸發點負載5×g，探頭下壓速率2 mm/s、測試速率1 mm/s、返回速率5 mm/s，循環2次，循環間可恢復時間3 s，目標形變量3 mm，數據頻率10點/s，每組平行5次。

1.3.3 感官評價

感官評價小組由10名經篩選和訓練的評價員組成，對樣品進行隨機編號并置于白色瓷盤中，評價員在同一環境中進行獨立感官評分，評價完一組樣品后用清水漱口，間隔30 s后再進行下一組樣品的評定。

感官分項評價采用10分制，各項目分為差（0～2分）、中等（3～5分）、較好（6～7分）、好（8～10分），對樣品的外觀（氣泡密度和顏色亮白程度）、風味（植物蛋白和豬肉風味協調程度）、組織狀態（切面緊致程度）、口感（肉感和嚼勁）進行逐一評價，感官綜合評分=外觀×0.2+風味×0.2+組織狀態×0.2+口感×0.4。

1.3.4 響應面優化實驗

根據單因素實驗結果，采用Box-Behnken設計原理，以大豆拉絲蛋白質量分數（A）、豬肉質量分數（B）、大豆分離蛋白與花生蛋白粉比例（C）和豬肉肥瘦比例（D）4個因素為響應面考察因素，以感官綜合評分為響應值，響應面實驗設計見表1。

1.3.5 數據分析

使用IBM SPSS 27軟件進行顯著性分析，并對24組數據進行逐步回歸分析；利用Design Expert 13.0.1軟件對響應面實驗數據進行多元回歸擬合及對模型進行方差分析，P<0.05 表示差異顯著，P<0.01表示差異極顯著。

2 結果與分析

2.1 動植物雙蛋白腸質構與感官數據分析

以24 組動植物雙蛋白腸為實驗對象進行質構分析及感官綜合評價，質構分析指標包括硬度、彈性、內聚性、咀嚼性、回復性，結果見表2。

由表2可知，測定指標中咀嚼性的變異系數最大，為0.26%，其次是硬度和感官綜合評分，均為0.23%，彈性組間差異最小，變異系數僅為0.02%，說明改變產品配方中的大豆拉絲蛋白質量分數、大豆分離蛋白與花生蛋白粉比例、豬肉質量分數及豬肉肥瘦比例對雙蛋白腸咀嚼性、硬度、感官評分的影響較大，對彈性的影響最小。這是因為植物蛋白粉共混形成了雙蛋白腸主要的三維基質或交織網絡[12]，大豆拉絲蛋白呈纖維狀，適量添加會增強網絡穩定性[13]；豬瘦肉中的蛋白質和豬肥肉中的脂肪發生乳化作用，可以改變腸內肉餡的黏稠度和均勻度[14]，上述原料對雙蛋白腸的三維網絡強度影響較大，因此產品的硬度、咀嚼性、感官綜合評分變化較大。

2.2 預測模型建立

經前期實驗篩選后得到各項指標均在合理范圍內的實驗組，以質構儀測定的動植物雙蛋白腸指標硬度、彈性、內聚性、咀嚼性、回復性為自變量，感官綜合評分為因變量，進行線性逐步回歸分析。5個變量的顯著性水平為硬度＜0.001、彈性＜0.001，內聚性、咀嚼性、回復性分別為0.495，0.017，0.020，變量入選的顯著水平為0.05[15]，故舍去變量內聚性，建立感官綜合評分預測模型為Y=－68.110＋0.003×硬度＋79.119×彈性－0.001×咀嚼性－18.393×回復性，該回歸方程的P值小于0.001，相關系數R2為0.902，校正決定系數RAdj2為0.875，則方程因變量（感官綜合評分）可被自變量解釋的程度達到90.2%，表明篩選變量后構建的多元回歸模型擬合度較好[16-17]。為了驗證模型的可行性，將預測結果與感官綜合評分進行統計分析，結果見表3。

由表3可知，標準誤差最大值為1.03（第10組），超過0.6的分別為第2，10，12，17組，其余實際得分與預測值的吻合度較好，表明基于質構儀TPA模式建立的感官評分預測模型可以用于動植物雙蛋白腸。

2.3 預測模型的應用

2.3.1 感官綜合評分預測

用質構儀測定響應面實驗設計中29組樣品的硬度、彈性、咀嚼性、回復性，通過感官評價預測模型得到感官綜合評分預測值，結果見表4。

2.3.2 響應面回歸模型分析

將感官評分預測模型得到的感官評分值進行響應面分析，結果見表5。

由表5可知，響應面回歸模型達到了極顯著水平（P＜0.01），失擬項不顯著（P=0.894 9>0.05），說明模型誤差小[18]；變異系數為3.37%（<10%），說明模型對響應值的置信度良好，該模型可以較好地反映真實的實驗結果；模型相關系數 R2 為 0.962，說明該實驗模型與實際實驗擬合較好，實際實驗中約 96.2%的結果可以通過擬合模型進行解釋[19]；校正后的決定系數RAdj2為?0.924，預測系數RPred2為0.861，兩者差值小于0.2，說明模型有較充分的準確性和通用性[20]，因此可以用此模型來分析和預測雙蛋白腸配方實驗中各因素對感官綜合評分的影響。以動植物雙蛋白腸的感官評分為目標函數，得到二次回歸方程：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個因素的F值大小為B>A>D>C，即4個因素對動植物雙蛋白腸的感官綜合評分影響大小為豬肉質量分數>大豆拉絲蛋白質量分數>豬肉肥瘦比例>大豆分離蛋白與花生蛋白粉比例[21]。一次項中A、B、D及二次項的P值均小于0.01，表明對應的因素對響應值的影響極顯著；交互項AB、AC和AD的顯著性水平都小于0.01，交互作用極顯著，交互項CD對響應值影響顯著（P＜0.05）。響應曲面圖能直觀反映交互作用對響應值的影響程度，曲面越陡，則影響越顯著[22-23]，響應面圖1～圖3坡面陡峭（P＜0.01），說明AB、AC和AD對結果有極顯著影響，圖4陡峭程度較緩（P＜0.05），說明CD交互作用顯著，響應曲面圖結果與方差分析結果一致。

2.3.3 優化配方參數及驗證實驗

將實驗方程進行分析求解，最佳實驗條件為大豆拉絲蛋白質量分數73.67%、豬肉質量分數15.96%、大豆分離蛋白與花生蛋白粉比例6.98∶3.02、豬肉肥瘦比例6.82∶3.18，考慮到工業生產的便捷性，將條件調整為大豆拉絲蛋白質量分數74%、豬肉質量分數16%、大豆分離蛋白與花生蛋白粉比例7∶3、豬肉肥瘦比例7∶3，此時感官綜合評分的理論預測值為8.45。最優組平行實驗重復3次，感官綜合評分實際值為8.51，與理論預測值誤差較小，表明該模擬回歸實驗模型準確性高，本實驗感官綜合評分的預測和分析可以使用響應面法。

3 結論

對24組不同配方的動植物雙蛋白腸的感官綜合評分及質構儀測定數據進行變異系數分析，改變大豆拉絲蛋白質量分數、豬肉質量分數、大豆分離蛋白與花生蛋白粉比例及豬肉肥瘦比例對產品咀嚼性、硬度、感官綜合評分的影響較大，對彈性的影響最小。

將感官綜合評分與質構數據進行逐步回歸分析，內聚性顯著性水平大于0.05，不滿足變量入選條件，構建具有統計學意義的感官預測模型Y=－68.110＋0.003×硬度＋79.119×彈性－0.001×咀嚼性－18.393×回復性，模型預測值與實測值之間吻合度較好。

將預測模型應用于響應面實驗，通過測定質構特征指標硬度、彈性、咀嚼性及回復性，將感官模型預測值作為響應值，得到的響應面回歸模型達到了極顯著水平（P＜0.01），96.2%的結果可以通過擬合模型進行解釋，模型的準確性和通用性良好；響應面法最終確定動植物雙蛋白腸的最優配方為大豆拉絲蛋白質量分數74%、豬肉質量分數16%、大豆分離蛋白與花生蛋白粉比例7∶3、豬肉肥瘦比例7∶3。該配方下的產品感官良好，感官綜合評分為8.51。

綜上所述，本研究根據感官品質分析、質構特征指標建立的動植物雙蛋白腸品質評價方法具有可行性，所得產品外觀及切面無明顯氣孔、組織緊實、咀嚼感良好、肉感佳。

參考文獻：

[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，趙有斌，尹學清，等.質構儀在果蔬品質評定中應用的研究進展[J].食品研究與開發，2019，40（5）：209-213.

[4]霍勝偉.質構儀在食品研究中的應用現狀[J].現代食品，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]趙思穎，李璐，劉小茜，等.基于感官品質、質構特征及理化成分分析的中國南瓜果實感官綜合評價預測模型[J].食品科學，2022，43（23）：63-71.

[7]魏萌，張松山，謝鵬，等.九種本地雪花黃牛肉消費者感官評價及品質預測模型構建[J].食品工業科技，2022，43（6）：278-286.

[8]蔣青香，李慧雪，李利君，等.基于感官檢驗和氣相色譜-質譜聯用對白芽奇蘭茶葉香氣分級[J].食品科學，2021，42（20）：98-106.

[9]劉昶，孟高歌，王晗，等.基于綜合品質預測模型的低鈉鹽豬肉熏煮香腸感官品質調控[J].食品與發酵工業，2023，49（3）：268-274.

[10]林晗，李順舟，劉淑君，等.植物基蛋白腸產品基礎配方[J].食品工業，2022，43（2）：120-125.

[11]余依敏，夏強，楊林林，等.魔芋葡甘聚糖-可得然膠共混凝膠替代動物脂肪對乳化腸品質特性的影響[J].食品科學，2021，42（16）：46-53.

[12]黃培文，陳林，丁婷，等.高壓均質對油脂預乳化大豆拉絲蛋白素食香腸質構特性的影響[J].農業工程學報，2022，38（19）：269-276.

[13]柳澤洋，王才立，張釗，等.植物基火腿的研發與配方優化[J].大豆科技，2022（5）：11-19.

[14]孫方達，趙鉅陽，李媛媛，等.原料肉質量及斬拌比例對紅腸品質影響的研究[J].食品工業，2016，37（4）：197-202.

[15]張憶潔，祁巖龍，宋魚，等.不同馬鈴薯品種用于加工面條的適宜性[J].現代食品科技，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，豐永紅，等.運用逐步回歸方法建立牛肉感官品質預測模型[J].食品工業科技，2016，37（13）：67-71.

[18]巫永華，顧冉，滕迎弟，等.響應面優化黑豆皮膳食纖維雞肉香腸工藝與品質分析[J].中國調味品，2022，47（12）：108-112.

[19]蔡夢迪，李玉輝，沈春霞，等.響應曲面設計結合熵權法優化石磨全麥掛面配方[J].食品與發酵工業，2024，50（15）：259-266.

[20]翟芳芳，朱文學，馬怡童，等.響應面試驗優化低糖牡丹花脯涂膜配方[J].食品科學，2016，37（16）：83-87.

[21]丁華，魏佳，林麗靜，等.響應面法優化灰棗超微粉制備工藝及其粉體性能表征[J].現代食品科技，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.模糊數學結合響應面法研制即食黃芪[J].食品安全質量檢測學報，2023，14（2）：316-323.