结合贝叶斯优化的集成机器学习方法，利用天然深共晶溶剂从发酵的西瓜皮中预测可提取的生物活性成分

《Scientific Reports》：Ensemble machine learning with Bayesian optimization predicts bioactive extraction from fermented watermelon rind using natural deep eutectic solvents

　　

摘要

通过结合天然溶剂系统（NADES）、微波辅助提取和机器学习技术，建立了一种新的集成提取策略，以优化从发酵西瓜皮中提取生物活性化合物的过程。研究结果表明，与未发酵的对照组相比，固态发酵显著提高了提取率。发酵预处理实验在相同的提取条件下进行，未发酵的西瓜皮作为内部对照。利用贝叶斯优化方法开发的机器学习模型能够描述并预测三个重要的响应变量：总多酚（TPC）、总黄酮（TFC）和抗氧化活性，这些变量是四个提取参数（微波功率、温度、时间和固液比）的函数。集成模型表现出出色的预测能力，其测试R2值分别为0.9147（TFC）、0.9088（TFC）和0.9252（DPPH活性），且过拟合现象非常轻微（ΔR2 < 0.06）。特征重要性分析显示，温度是提取生物活性化合物过程中最重要的参数（重要性：0.842–0.885），其次是固液比。利用经过验证的模型进行同步优化后，得到最佳提取条件为：温度62.5°C、时间27.7分钟、功率300瓦、固液比30 mg/mL，此时预测的提取结果分别为：总黄酮1.656 mg GAE/g、总多酚19.80 mg GAE/g和DPPH活性71.27%。固态发酵提高了提取效率，使总酚类物质含量增加了16.9%至19.1 mg GAE/g、黄酮类物质增加了0.61%至0.74 mg GAE/g，DPPH活性提高了66%至75%。所开发的集成模型具有较高的准确性（R2 = 0.91–0.93；RMSE分别为0.0812 mg/g、0.51 mg/g和0.74%）。实验验证结果证实了该模型的高准确性，所有响应变量的相对误差均小于3%。发酵预处理、绿色提取技术和机器学习的结合为农业废弃物资源的高效利用提供了新途径，使其成为营养保健品中生物活性化合物的潜在来源。