著者の所属・活動拠点の国は、中国です。

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

イチゴは皮が薄く、水分が90〜95%と多いため傷みやすく、論文によると常温では生のまま1〜2日しかもちません。そこで、砂糖液に漬けてから乾燥させる中国の伝統的な果物の砂糖漬けに加工されることがあります。ただ、従来のイチゴの砂糖漬けは主にショ糖（一般的な砂糖）で甘みをつけ、総糖量が60〜70%に達します。

研究チームは、砂糖の一部をキシリトールとイソマルトオリゴ糖という2種類の甘味料で置き換えた低糖のイチゴの砂糖漬けについて、食べたときの評価が最も高くなる配合と漬け込み条件を探しました。論文の序論では、イソマルトオリゴ糖には腸内のビフィズス菌を増やす性質が、キシリトールには砂糖より血糖値が上がりにくい性質があると紹介されています。

最適な条件を探す道具として、実験計画にもとづく統計手法「応答曲面法」と、人工知能の一種である「誤差逆伝播型ニューラルネットワーク」の2つを使い、どちらがより良い条件を見つけられるかも比べました。さらに、できあがった低糖品と砂糖だけで作った品の成分や色を比較しました。

何を、どのように調べたか

イチゴは湯通ししたあと、超音波をかけながら甘味料の液に浸し、55℃で漬け込み、65℃の温風で10時間乾燥させて砂糖漬けにしました。調べた条件は、甘味料の量（イチゴの重さに対する割合）、キシリトールとイソマルトオリゴ糖の重さの比、漬け込み時間の3つです。評価には、訓練を受けた10人の評価者が、どの試料か分からない状態で付けた官能評価の点数の平均を使いました。

まず、条件を1つずつ変える予備実験で、甘味料の量を30〜50%、甘味料の比を1:2〜5:2、漬け込み時間を4〜8時間の範囲で変えました。各条件は3回ずつ別々に製造しています。その結果をもとに3つの条件をそれぞれ3段階に絞り、組み合わせを効率よく試す実験計画（ボックス・ベーンケン計画）で17通りの試料を作りました。

応答曲面法では、この17通りの結果に2次式を当てはめ、評価点が最も高くなる条件を計算しました。ニューラルネットワークは、入力から出力までの関係を、誤差を少しずつ修正しながら学習する仕組みです。同じ17通りのデータで学習させたあと、甘味料30〜50%、比0.5〜2.5、漬け込み4〜8時間の範囲にある2万9791通りの組み合わせについて評価点を予測し、最も高くなる条件を探しました。

2つの手法がそれぞれ示した条件で実際に3回ずつ製造し、評価点を確かめました。最終的に選んだ条件で作った低糖品と砂糖だけで作った品について、総糖量、酸味の指標となる滴定酸度、ポリフェノール類の量（総フェノール量・総フラボノイド量）、水分、水分活性（微生物が利用できる水の目安）、色を測りました。

主な報告結果

応答曲面法の計算では、甘味料43.94%、比1.58、漬け込み5.44時間で予測点81.62が最も高くなりました。これを製造しやすい甘味料45%、比1.5、5.5時間に丸めて試作したところ、実際の評価点は平均81.63でした。

ニューラルネットワークの予測では、甘味料41.30%、比1.70、漬け込み5.50時間で予測点82.62が最高でした。これを甘味料40%、比1.5、5.5時間に丸めて試作すると、実際の評価点は平均82.72となり、応答曲面法の条件よりわずかに高く、ばらつきも小さくなりました。研究チームはこの甘味料40%、比1.5、漬け込み5.5時間を最適条件としました。

応答曲面法の解析では、評価点への影響は甘味料の量が最も大きく、次いで漬け込み時間、甘味料の比の順でした。また、甘味料の比と漬け込み時間の間には、互いの効き方を変え合う関係がみられました。

最適条件で作った低糖品は、砂糖だけで作った品に比べて総糖量が有意に低く、総フェノール量と総フラボノイド量は多く、滴定酸度は低くなりました。水分は低糖品のほうがやや多かったものの、どちらも国家規格の上限（総糖量75%、水分20%）の範囲内でした。色は、低糖品のほうが明るい一方、赤みと黄みは弱くなりました。

この報告が示すこと

研究チームは、実際の評価点がより高くなった条件を見つけられたことから、この砂糖漬けの条件探しでは、ニューラルネットワークのほうが応答曲面法より最適化の能力が高いと結論づけています。2次式で関係を近似する応答曲面法に比べ、ニューラルネットワークは複数の条件が複雑に絡み合う関係をとらえやすいため、と説明しています。また、砂糖の一部をキシリトールとイソマルトオリゴ糖に置き換えることは、総糖量を減らし、ポリフェノール類を多く残すうえで技術的な利点があるとしています。著者らは、この条件は既存の製造ラインを大きく改造せずに使えるとの見方も示しています。

一方で、限界も報告されています。ニューラルネットワークは17通りという限られたデータで学習しており、著者ら自身も未知の条件への当てはまり（汎化性能）は限定的だと述べています。低糖品は色素の残り方と水分の管理にさらに条件調整が必要とされ、保存中の品質の安定性や微生物面の安全性はこの研究では評価されていません。

原著論文の著者・所属：Qing Gao（College of Food Science and Technology, Yunnan Agricultural University, Kunming 650201, China）、Nanxin Wang（College of Food Science and Technology, Yunnan Agricultural University, Kunming 650201, China）、Yutian Wang（College of Food Science and Technology, Yunnan Agricultural University, Kunming 650201, China）、Shuxin Ye（College of Food Science and Technology, Yunnan Agricultural University, Kunming 650201, China）、Jinsong He（College of Food Science and Technology, Yunnan Agricultural University, Kunming 650201, China）

※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）：Qing Gao, Nanxin Wang, Yutian Wang, et al. Optimization of Sugar-Substituted Strawberry Preserve Formulation via Back-Propagation Neural Network. Foods（出版社：Multidisciplinary Digital Publishing Institute） 2026-09-20. DOI: 10.3390/foods15183342. 原著ライセンス：CC BY.