Сенсорная и физико-химическая оценка рецептур растительных напитков, имитирующих молоко, с использованием машинного обучения

Некоторые потребители всё чаще используют растительные альтернативы молоку (РАНМ) так же, как коровье молоко. Однако их физико-химические и сенсорные свойства отличаются. Совершенствование РАНМ для более точного воспроизведения свойств молочных продуктов ограничено затратами времени и средств на разработку и испытания. Машинное обучение позволяет прогнозировать оптимальные рецептуры без масштабного подбора методом проб и ошибок. В этом исследовании для разработки РАНМ, имитирующих коровье молоко, использовали модели регрессии случайного леса (RFR) и градиентного бустинга (GBR), на основе которых получили рецептуры 1 и 2 соответственно. Чтобы оценить точность моделей, с коровьим молоком сравнили сенсорные характеристики, вязкость, стабильность, цвет, размер частиц и летучие соединения в газовой фазе над образцом. По сенсорному профилю обе рецептуры отличались от кокосового, овсяного, соевого и миндального напитков, а также от пастеризованного и ультравысокотемпературно обработанного (UHT) коровьего молока. Для них были характерны ноты ванили, карамели, вяжущего, горького, металлического и орехового вкуса, тогда как коровьему молоку были свойственны сладкие, молочные и кокосовые ноты. В рецептурах присутствовали альдегиды, в том числе гексаналь и пентаналь, происходящие из сои; вместе с тем некоторые соединения, включая ванилин, октаналь и 1-пентанол, обнаруживались и в коровьем молоке. Средний размер частиц (D) был наименьшим у UHT-молока (0,68 мкм), за ним следовали рецептура 2 и пастеризованное коровье молоко (1,04 мкм); наибольшим он был у рецептуры 1 (1,62 мкм). Индекс белизны UHT- и пастеризованного коровьего молока был выше, чем у рецептур 1 и 2. Растительные напитки оседали быстрее, чем коровье молоко. Модели правильно предсказывали вязкость и некоторые летучие соединения. Однако возможности прогнозирования были ограничены небольшим набором данных и отсутствием доступа к коммерческим рецептурам. Увеличение набора данных и доступ к рецептурам позволили бы повысить точность моделей. Практическое применение: Это исследование демонстрирует потенциал прогнозного моделирования при разработке растительных альтернатив ингредиентам животного происхождения. Такой подход позволит меньше полагаться на метод проб и ошибок при создании продуктов, сократить сроки и затраты на разработку и удовлетворить потребности потребителей.50