著者の所属・活動拠点の国は、トルコです。

掲載誌：Foods

ライセンス: CC BY　対象: 公開論文　確認元: OpenAlex

研究の目的

ケフィアは乳酸菌や酵母などが共同で発酵させる発酵乳です。研究チームは、ワインやブドウジュース製造の副産物である黒ブドウの種子の抽出物をケフィアに加え、機能性を高めることに注目しました。種子にはプロアントシアニジンやカテキンなど、抗酸化性をもつポリフェノール類（フェノール性化合物）が多く含まれます。

ただし著者らによると、ポリフェノールは酸性条件、酸素、保存時間の影響を受けやすく、乳たんぱく質と結びつくこともあります。そこで抽出物を海藻由来のアルギン酸ナトリウムのゲル粒（ビーズ）に閉じ込める「カプセル化」で保護する方法を検討しました。

また、フェノール含量や抗酸化能を測る従来の化学分析は、試料を消費し、試薬と手間がかかります。研究チームは、pHや食感、色といった日常的に測れる項目から、冷蔵保存中のフェノール量と抗酸化能を予測する深層学習モデルを作ることを目指しました。その際、保存日数の順序をモデルに取り込むことを重視しています。

何を、どのように調べたか

市販のUHT全乳と市販の凍結乾燥ケフィア種菌を使い、5種類のケフィアを作りました。内訳は、何も加えない対照、カプセル化していない（遊離の）黒ブドウ種子抽出物を2段階の濃度で加えたもの、アルギン酸ビーズに包んだ抽出物を2段階の濃度で加えたものです。冷蔵保存の1日目、7日目、14日目にそれぞれ4回ずつ独立して測定し、合計60件のデータを集めました。

予測に使う入力は、酸性度、保水性、硬さなどの食感、色などを表す10項目です。予測の対象は2つで、1つは総フェノール含量（没食子酸に換算した量）、もう1つはTrolox当量抗酸化能（TEAC：抗酸化物質Troloxに換算した抗酸化の強さ）です。

モデルでは、まず互いに似通った入力項目を主成分分析で整理しました。主成分分析は、多くの項目を、重なりの少ない少数の合成指標にまとめる手法です。次に、同じ試料の保存日ごとの測定値を時間の並びとして扱いました。そのうえで、畳み込みニューラルネットワーク（CNN）と、時系列を扱うLSTMを組み合わせたネットワークで、2つの対象を同時に予測しました。

ネットワークの設定値は、ヤマアラシの防御行動に着想を得た最適化手法「CPO」で探索しました。比較相手は、広く使われる粒子群最適化（PSO）です。比較では、ネットワーク構造、データ、探索範囲、評価回数の上限をそろえ、探索手法だけを変えました。

評価用データの情報が学習に紛れ込むと、精度が見かけ上高く出てしまいます。これを防ぐため、標準化や主成分分析などの処理は学習用データだけで当てはめました。さらに、構成要素を段階的に加えたモデルどうしを比べて、それぞれの寄与を確かめる比較（アブレーション）も行いました。この比較には、既定の設定値のまま構造だけを変えたモデルと、同じ構造でPSOにより設定値を調整したモデルが含まれます。

主な報告結果

予測モデルの構成要素ごとの効果として、研究チームは次のように報告しています。CNNによる特徴抽出で総フェノール含量の予測誤差が16.5%減り、主成分分析による整理でさらに19.5%減りました。また、同じ条件でPSOの代わりにCPOで設定値を探索すると、総フェノール含量の誤差は54.7%小さくなりました。著者らはこの探索手法の違いを、研究の中心となる方法論上の発見と位置づけています。

アブレーションで比べた各モデル、つまり既定の設定値のまま構造だけが異なるモデルや、PSOで調整したモデルと比べて、CPOで調整した提案モデルは誤差が最も小さく、試料ごとの誤差のばらつきも最も小さかったと報告されています。学習用と検証用の誤差の推移は、乖離せずに収束しました。2つの対象のうち、TEACのほうが一貫して予測しやすい結果でした。

入力項目のうち、2つの対象の両方と最も強く関係していたのは保水性でした。主成分分析では、10項目を5つの成分にまとめ、全体のばらつきの86%を保持しました。保水性は主に第3成分に表れていました。著者らは、成分を2つに絞っていれば、最も予測に役立つ情報を失っていたと指摘しています。

実験面では、アルギン酸ビーズは乾燥固形分1gあたり32.8mg（没食子酸換算）のフェノール性物質を含んでいました。表面にゆるく付着していたのは4.1mgにとどまり、カプセル化効率は86.4%でした。

同じ添加量で比べると、カプセル化した抽出物は遊離の抽出物よりおよそ6割多いフェノール性物質をケフィアにもたらし、保存中もよく保持しました。繰り返し測定のばらつき（変動係数）は、3.1%から0.7〜1.2%に小さくなりました。

この報告が示すこと

研究チームは、日常的に測れる10項目から、試料を消費する2つの化学分析の結果を推定できるモデルを示したと結論づけています。著者らが特徴として挙げるのは2点です。1つは、似通った入力をあらかじめ整理したこと。もう1つは、保存日数を時間の軸として扱い、ある時点の状態ではなく、保存中の変化の道筋から予測するようにしたことです。また、ニューラルネットワークの学習そのものに時間がかかる条件では、評価の回数を有望な領域に集中させる探索手法が有利になりうる、という見方も示しています。食品面では、アルギン酸によるカプセル化が、ポリフェノールの保持と製造ごとの品質のそろいやすさの両方に役立つことを示しています。

一方、著者らは限界も明記しています。データは1種類の乳、1種類の種菌、1回の製造に由来します。そのため、示された精度は調べた条件の範囲内での予測であり、他の製品へそのまま当てはまるとはいえません。総フェノール含量の測定法は、ポリフェノールだけでなく乳由来のペプチドにも反応します。データ数が少ないため過学習の可能性は完全には否定できず、別の製造ロットや別の乳製品による外部検証も行っていません。対象は冷蔵14日間の3時点に限られ、それより長い保存期間での信頼性は主張していません。

原著論文の著者・所属：Özge Duygu Okur、Aytaç Altan（Department of Electrical Electronics Engineering, Faculty of Engineering, Zonguldak Bülent Ecevit University, 67100 Zonguldak, Turkey）

※本記事は原著論文をもとに、日本語で要約・説明を加えた研究紹介です。 出典（原著論文）：Özge Duygu Okur, Aytaç Altan. Storage-Time-Aware Chemometric Deep Learning Model for Predicting Phenolic Retention and Antioxidant Capacity in Kefir Enriched with Alginate-Encapsulated Grape Seed Extract. Foods（出版社：Multidisciplinary Digital Publishing Institute） 2026-08-16. DOI: 10.3390/foods15162858. 原著ライセンス：CC BY.