CN104732084B

CN104732084B - 基于响应面法降低快速消化淀粉含量的模型构建方法

Info

Publication number: CN104732084B
Application number: CN201510125955.4A
Authority: CN
Inventors: 隋中泉; 叶晓汀; 姚天鸣; 钟金锋
Original assignee: Shanghai Jiaotong University
Current assignee: North Jiangsu Institute of Shanghai Jiao Tong University
Priority date: 2015-03-20
Filing date: 2015-03-20
Publication date: 2017-07-11
Anticipated expiration: 2035-03-20
Also published as: CN104732084A

Abstract

本发明公开一种基于响应面法降低快速消化淀粉含量的模型构建方法：制备不同因素水平下的湿热处理淀粉并测定淀粉中的快速消化淀粉含量；分析湿热处理中各因素降低快速消化淀粉的显著性；确定响应面法的试验中心点；根据试验中心点制备各因素水平下的湿热处理淀粉，并测定淀粉中快速消化淀粉含量；构建响应面法的三维定量构效模型；确定模型预测的最优因素水平，使该制备条件下淀粉中的快速消化淀粉含量最低；根据预测值制备最优因素水平条件下的湿热处理淀粉，验证模型可信性。使用本发明模型的制备参数，制得的淀粉产品是胃肠道疾病患者、糖尿病患者和减肥人群的理想食品。

Description

基于响应面法降低快速消化淀粉含量的模型构建方法

技术领域

本发明属于食品领域，具体涉及一种基于响应面法降低快速消化淀粉的模型构建方法。

背景技术

淀粉是一种被广泛应用于食品工业中的可再生天然葡萄糖高聚体。在全球范围内，淀粉是人类食物的主要来源，为人体提供70～80％的每日能量所需。

天然淀粉通常通过变性处理来改善其理化性质,从而满足食品工业中的实际生产需求。湿热处理采用天然的水和热来改变淀粉的理化性质，是环境友好型的高效物理变性方法。更重要地，适当的湿热处理能在不改变淀粉颗粒结构的情况下降低其中快速消化淀粉含量、同时增加缓慢消化淀粉和抗性淀粉的含量。

根据淀粉被淀粉消化酶分解成葡萄糖的速率，将淀粉分类成快速消化淀粉(20分钟内被分解)、缓慢消化淀粉(20至120分钟间被分解)、抗性淀粉(不被分解)。快速消化淀粉在摄入后能引发血糖含量迅速上升，不利于健康；缓慢消化淀粉比快速消化淀粉分解速率低，更耐饥，对血糖指数的波动小，利于健康；抗性淀粉不被人体消化吸收，但可在结肠中被微生物发酵利用产生天然的短链脂肪酸，可降低胆固醇、胃溃疡、结肠炎、结肠癌的风险。

发明内容

针对现有技术中的模型缺失，本发明的目的是提供一种基于响应面法降低快速消化淀粉的模型构建方法，具体是基于响应面法构建降低快速消化淀粉的模型，根据构建模型得到最优湿热处理条件，从而在该条件下生产一种低快速消化淀粉含量而高缓慢消化淀粉和抗性淀粉含量的淀粉，该产品可减少血糖波动，降低胆固醇、胃溃疡、结肠炎、结肠癌的风险，是胃肠道疾病患者、糖尿病患者以及减肥人群的理想选择。

本发明提供了基于响应面法降低快速消化淀粉含量的模型构建方法，其包括如下步骤：

将淀粉均分成若干份，分别在不同条件下进行湿热处理后测定各份淀粉中快速消化淀粉的含量；

用湿热处理过的各份淀粉分别进行Plackeet-Burman实验，分析湿热处理中各单一因素对降低快速消化淀粉含量影响的显著性；

根据所述显著性进行最陡爬坡实验，确定响应面法的试验中心点；

根据所述试验中心点在各条件下分别对淀粉进行湿热处理后测定制得淀粉中快速消化淀粉的含量，并根据所述快速消化淀粉的含量构建响应面法的三维定量构效模型；

根据所述三维定量构效模型确定湿热处理条件中使淀粉中消化淀粉含量最低的单一因素；

根据预测值制备最优单一因素条件下的湿热处理淀粉，验证模型准确性。

作为优选方案，所述湿热处理的条件中的单一因素包括加热温度为100～150℃、加热时间为4～16h，淀粉中的水分含量为10～35wt％。

作为优选方案，所述淀粉包括普通玉米淀粉。

作为优选方案，所述测定制得淀粉中快速消化淀粉含量的方法包括Englyst test法。

作为优选方案，所述Plackeet-Burman实验包括通过minitab 16.1.0软件实现，结果显示水分含量(负效应)和加热温度(正效应)的影响效应最为显著。

作为优选方案，所述最陡爬坡实验的具体实验方法为：水分含量为负效应，增大水分含量有利于降低快速消化淀粉含量；加热温度为正效应，降低加热温度有利于降低快速消化淀粉含量。以主效应最显著的两个因素(水分含量与加热温度)的实验值变化(水分含量由+1水平即20％等步长增大；加热温度由-1水平即140℃等步长降低)作为爬坡方向，将加热时间(正效应)固定在-1水平即8H。将使快速消化淀粉含量最低的一组因素水平作为试验中心点。结果显示：快速消化淀粉含量(质量百分数)最小值为82.56％，对应的一组因素水平为试验中心点：水分含量(质量百分数)：20％、加热时间：8H、加热温度：120℃。

作为优选方案，所述的响应面法包括通过Design Expert8.0软件进行三维定量构效模型的构建。结果显示：在最优拟合的模型方程中C.V.＝0.12％(变异不显著)，R²＝0.9846(拟合度高)，信噪比＝21.125(噪音误差小，可信度高)，Lack of fit不显著(模型失拟情况不显著)，说明所建立模型准确可靠。

响应面法是一种在科学领域被广泛应用的数学统计方法，通过对实验数据的数学规划分析，拟合出数据的普遍规律，得到最优数值结果。本技术基于响应面法优化，同时结合Plackeet-Burman实验和最陡爬坡实验进行模型构建。根据模型方程能在最优湿热处理条件下降低淀粉中快速消化淀粉的含量并提升淀粉中缓慢消化淀粉和抗性淀粉的含量。建立的响应面法模型步骤简单，容易实现，根据精确数学模型的条件优化有利于提高生产效率和产品品质、降低运行成本、符合绿色化学要求。

因此，与现有技术相比，本发明具有如下的有益效果：

使用本发明模型的制备参数，制得的淀粉产品是胃肠道疾病患者、糖尿病患者和减肥人群的理想食品。目前，该类功能性食品在市场上主要依靠进口，预计该类功能性产品的需求量在相当长的时间内将以较快的速度增长，有相当的使用价值。

附图说明

通过阅读参照以下附图对非限制性实施例所作的详细描述，本发明的其它特征、目的和优点将会变得更明显：

图1为本发明中所用的响应面法的三维定量构效模型模型；

图2为本发明模型降低快速消化淀粉含量的效果。

具体实施方式

下面结合具体实施例对本发明进行详细说明。以下实施例将有助于本领域的技术人员进一步理解本发明，但不以任何形式限制本发明。应当指出的是，对本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进。这些都属于本发明的保护范围。

实施例1

步骤1，制备水分含量(质量分数)：15％、20％；加热时间：6H、8H；加热温度：140℃、150℃条件下的湿热处理normal型玉米淀粉共8种。湿热处理方式为：通过额外加水使淀粉中水分含量达到预设值，装入密封耐高温容器中，于烘箱内以预设加热时间和加热温度进行处理。制备得到的淀粉用Englyst test法测定快速消化淀粉含量；

步骤2，打开minitab16.1.0软件，依次选择：统计-DOE-因子-创建因子设计，选中Plackeet-Burman设计，将因子数设为2，点击确定按钮。在工作表中输入相应数据，依次选择：统计-DOE-因子-分析因子设计，将快速消化淀粉含量选择入响应一栏，湿度、温度和时间选择入所选项一栏，设定置信水平为95，α＝0.05，点击确定按钮，程序自动在会话框中罗列数据分析结果(详见表1)。结果表明水分含量与加热温度对最终快速消化淀粉的含量影响最显著，且水分含量为负效应，加热温度与时间为正效应；

表1

步骤3，水分含量为负效应，增大水分含量有利于降低快速消化淀粉含量；加热温度为正效应，降低加热温度有利于降低快速消化淀粉含量。以主效应最显著的两个因素(水分含量与加热温度)的实验值变化(水分含量由+1水平即20％等步长增大而加热温度由-1水平即140℃等步长降低)作为爬坡方向，将加热时间(正效应)固定在-1水平即8H。结果表明：快速消化淀粉含量(质量百分数)最小值为82.56％，即对应的一组因素水平为试验中心点：水分含量(质量百分数)：20％、加热时间：8H、加热温度：120℃(详见表2):

表2

实验次数	水分含量(％)	温度(℃)	快速消化淀粉含量(％)
				1	20	140	83.20
2	22.5	130	82.71
				3	25	120	82.56
4	27.5	110	82.65
				5	30	100	82.86

步骤4，根据试验中心点制备加热温度：100℃、120℃、140℃；加热时间：4H、8H、12H；水分含量(质量百分数)：20％、25％、30％条件下的的湿热处理淀粉共27种，湿热处理方式及快速消化淀粉含量测定方式同步骤1；

步骤5，打开Design Expert8.0软件，依次选择：New Design-Response Surface-Box Behnken。Numeric factors设定为3，输入因素名称(moisture、time、temperature)和单位(％、H、℃)，将20％、4H、100℃设定为-1水平，30％、12H、140℃设定为+1水平，点击continue按钮。将responses设定为1，输入响应量(RDS)和单位(％)，点击continue按钮。在表中输入相应数据后，依次选择R1：RDS(Analyzed)-f(x)Model,Process order一栏中选择Quadratic，Selection一栏中选择Manual，点击ANOVA按钮。查看对话框，Model显著(P＜0.0001)说明Quadratic模型选择合理；Lack of fit不显著说明模型没有明显的失拟情况；C.V.＝0.12％说明变异系数仅为0.12％，变异不显著；R²＝0.9846，说明该模型可以解释98.46％的实验数据，拟合度高；Adeq Precisior＝21.125，说明信噪比远大于4，误差噪音没有产生显著影响。点击Model按钮，在Graphs Tool中选择3D Sueface选项查看3D模型，图像四周高中部底，中部最低处为快速消化淀粉含量最低点(详见图1)；

步骤6，确定最优因素水平。点击左侧栏Numerical选项，在右侧框中选择RDS,在Goal一栏中选择minimize，将Limits一行中Lower一列的数值改为75，点击Solutions按钮。在对话框Solutions一项中显示模型预测快速消化淀粉含量最低为82.32％，对应最优因素水平为：加热温度：113.0℃；加热时间：8.76H；水分含量(质量百分数)25.35％；

步骤7，根据预测值制备最优因素水平条件下的湿热处理normal型玉米淀粉，湿热处理方式同步骤1。实测快速消化淀粉含量为82.35％，同预测值(82.32％)基本一致；

实施效果：本实施例模型预测可靠，Lack of fit不显著；C.V.＝0.12％；R²＝0.9846；Adeq Precisior＝21.125。制得的淀粉的快速消化淀粉含量为82.35％，而原淀粉快速消化淀粉含量为89.10％(详见图2)。

实施例2

本实施例涉及一种基于响应面法降低快速消化淀粉的模型构建方法，所述方法与实施例1相同，不同之处仅在于：

步骤5中，在表中输入相应数据后，依次选择：R1：RDS(Analyzed)-f(x)Model,Process order一栏中选择Modified，Selection一栏中选择Backward，Alpha out设定为0.05，点击ANOVA按钮。查看对话框，Model显著(P＜0.0001)说明Modified-Backward(Alphaout＝0.05)模型选择合理；Lack of fit显著,说明模型有一定的失拟情况；C.V.＝0.32％说明变异系数仅为0.32％，变异不显著；R²＝0.8449，说明该模型可以解释84.49％的实验数据，拟合度一般；Adeq Precisior＝15.014，说明信噪比大于4，误差噪音没有产生显著影响；

步骤6中，在对话框Solutions一项中显示模型预测快速消化淀粉含量最低为82.91％，对应最优因素水平为：加热温度：100.0℃；加热时间：11.88H；水分含量(质量百分数)28.40％；；

步骤7中，根据预测值制备最优因素水平条件下的湿热处理normal型玉米淀粉。实测快速消化淀粉含量为84.25％，同预测值(82.91％)不一致。

实施效果：本实施例模型预测不可靠，Lackoffit显著；C.V.＝0.32％；R²＝0.8449；Adeq Precisior＝15.014。制得的淀粉的快速消化淀粉含量为84.25％，而原淀粉快速消化淀粉含量为89.10％。

实施例3

步骤5中，在表中输入相应数据后，依次选择：R1：RDS(Analyzed)-f(x)Model,Process order一栏中选择Cubic，Selection一栏中选择Manual，点击ANOVA按钮。查看对话框，Model显著(P＝0.0003)说明Cubic模型选择合理；C.V.＝0.13％说明变异系数仅为0.13％，变异不显著；R²＝0.9963，说明该模型可以解释99.63％的实验数据，拟合度高；Adeq Precisior＝28.605，说明信噪比远大于4，误差噪音没有产生显著影响；

步骤6中，在对话框Solutions一项中显示模型预测快速消化淀粉含量最低为82.34％，对应最优因素水平为：加热温度：121.2℃；加热时间：7.12H；水分含量(质量百分数)24.10％；；

步骤7中，根据预测值制备最优因素水平条件下的湿热处理normal型玉米淀粉。实测快速消化淀粉含量为82.38％，同预测值(82.34％)基本一致。

实施效果：本实施例模型预测可靠；C.V.＝0.13％；R²＝99.63％；Adeq Precisior＝28.605。制得的淀粉的快速消化淀粉含量为82.38％，而原淀粉快速消化淀粉含量为89.10％。

实施例4

步骤5中，在表中输入相应数据后，依次选择：R1：RDS(Analyzed)-f(x)Model,Process order一栏中选择Cubic，Selection一栏中选择Forward，Alpha in设定为0.1，点击ANOVA按钮。查看对话框，Model显著(P＜0.0001)说明Cubic-Forward(Alpha in＝0.1)模型选择合理；Lack of fit较不显著,说明模型没有明显失拟情况；C.V.＝0.51％说明变异系数仅为0.51％，变异不显著；R²＝0.9802，说明该模型可以解释99.13％的实验数据，拟合度高；Adeq Precisior＝18.956，说明信噪比大于4，误差噪音没有产生显著影响；

步骤6中，在对话框Solutions一项中显示模型预测快速消化淀粉含量最低为82.31％，对应最优因素水平为：加热温度：110.8℃；加热时间：9.28H；水分含量(质量百分数)26.10％；；

步骤7中，根据预测值制备最优因素水平条件下的湿热处理normal型玉米淀粉。实测快速消化淀粉含量为82.69％，同预测值(82.31％)较不一致。

实施效果：本实施例模型预测可靠，Lack of fit较不显著；C.V.＝0.51％；R²＝0.9802；Adeq Precisior＝18.956。制得的淀粉的快速消化淀粉含量为82.69％，而原淀粉快速消化淀粉含量为89.10％。

实施例1为本发明的最优实施例，模型的CV值(0.12％)低,R²(0.9846)高，信噪比(21.125)高，失拟情况不显著，拟合效果好；快速消化淀粉含量(82.35％)最低，能最显著降低淀粉中快速消化淀粉的含量。

以上对本发明的具体实施例进行了描述。需要理解的是，本发明并不局限于上述特定实施方式，本领域技术人员可以在权利要求的范围内做出各种变形或修改，这并不影响本发明的实质内容。

Claims

1.一种基于响应面法降低快速消化淀粉含量的模型构建方法，其特征在于，包括如下步骤：

根据预测值制备最优单一因素条件下的湿热处理淀粉，验证模型准确性；

所述最陡爬坡实验的具体实验方法为：以主效应最显著的两个因素的实验值变化作为爬坡方向，将加热时间固定在-1水平，将使快速消化淀粉含量最低的一组因素水平作为试验中心点；

所述主效应最显著的两个因素为水分含量与加热温度；所述水分含量的实验值变化为由+1水平等步长增大；所述加热温度的实验值变化为由-1水平等步长降低。

2.如权利要求1所述的基于响应面法降低快速消化淀粉含量的模型构建方法，其特征在于，所述湿热处理的条件中的单一因素包括加热温度为100～150℃、加热时间为4～16h，淀粉中的水分含量为10～35wt％。

3.如权利要求1所述的基于响应面法降低快速消化淀粉含量的模型构建方法，其特征在于，所述淀粉包括普通玉米淀粉。

4.如权利要求1所述的基于响应面法降低快速消化淀粉含量的模型构建方法，其特征在于，所述测定制得淀粉中快速消化淀粉含量的方法包括Englyst test法。

5.如权利要求1所述的基于响应面法降低快速消化淀粉含量的模型构建方法，其特征在于，所述Plackeet-Burman实验包括通过minitab16.1.0软件实现。

6.如权利要求1所述的基于响应面法降低快速消化淀粉含量的模型构建方法，其特征在于，所述的响应面法包括通过Design Expert8.0软件进行三维定量构效模型的构建。