研究人员构建人工智能模型，预测开菲尔的抗氧化稳定性

研究人员发布了一篇预印本，描述一种深度学习模型，旨在预测在冷藏储存期间，添加葡萄籽提取物的开菲尔中酚类化合物和抗氧化能力的保持情况。这项研究有望帮助饮料开发者更好地利用酒庄副产品。

根据发布在 Preprints.org 上的手稿，这项研究聚焦于以黑葡萄籽提取物强化的开菲尔，分为两种形式：游离提取物和海藻酸盐包埋提取物。该模型用于估算产品在4摄氏度储存、并于第1天、第7天和第14天评估时的酚类保留率和抗氧化能力。

这项工作结合了化学计量学和深度学习，旨在解决功能性饮料开发中的一个实际问题：生物活性化合物往往会随时间变化，而这些变化会影响营养声称和产品质量。研究人员试图预测这些变化，而不是只在储存结束后再进行测量，因此提出了一种可在开发早期支持配方决策的工具。

这篇预印本以发酵乳饮料开菲尔为中心，但其更广泛的意义并不限于发酵乳饮品。葡萄籽是酿酒业的重要副产品，人们对将这些剩余物转化为具有商业价值的配料的兴趣日益增加。如果这类模型被证明可靠，它们可以为饮料公司提供一种方式，在不完全依赖反复实验室试验的情况下，测试富含多酚的配料在成品中的表现。这对于研究发酵饮料或其他以抗氧化含量为卖点的饮品的团队尤其有用。

包埋是这项研究的关键部分。海藻酸盐通常用于保护敏感化合物，在这里，研究人员考察了将葡萄籽提取物包埋于海藻酸盐中，是否有助于在冷藏储存期间保持酚类物质和抗氧化活性。该模型的储存感知设计反映出，时间是影响冷藏保质期饮料稳定性的主要变量之一。

由于这篇论文是预印本，其结论应被视为初步结果。预印本是在同行评审之前分享的，这意味着其方法和结论尚未经过科学出版中通常采用的外部评估。监测来源提供的材料并未包含该模型的详细性能指标或完整实验结果，因此仅凭这些信息，目前还无法判断预测有多准确，或包埋是否在所有测量中始终优于游离提取物。

尽管如此，这一主题仍契合食品和饮料研究中更广泛的趋势，即将原料回收与预测分析相结合。从实际角度看，生产商正面临减少浪费、开发功能定位更清晰的产品以及缩短研发周期的压力。一种能够估算酚类物质和抗氧化能力在14天冷藏期间如何变化的模型，最终可能有助于缩小需要投入更高成本进行验证的配方范围。

这项研究也反映出食品科学与人工智能之间日益常见的交叉。研究人员不再只将机器学习用于消费者趋势或供应链，而是直接将其应用于配方化学和保质期行为。对于含有植物提取物、尤其是以额外健康价值为卖点的饮料而言，随着企业试图在稳定性、口感和加工限制之间取得平衡，这种方法可能变得更加重要。

目前，这份报告仍是一项早期科学提案：用海藻酸盐包埋保护开菲尔中的葡萄籽生物活性物质，然后使用一种考虑储存时间的深度学习系统，预测在冷藏温度下1天、7天和14天后剩余多少。该方法能否从实验性建模走向饮料研究中的常规应用，将取决于同行评审验证，以及它在开菲尔之外的产品中表现如何。