AI 高通量筛选食品工程菌株及其发酵性能优化研究

——以调味酱产业为例的技术进展与生产品控实践

曹现伟

410329197805100533

摘  要：

调味酱为多菌种混菌发酵调味品，品质稳定高度依赖酿造微生物群落。传统生产靠自然接种与经验调控，普遍存在生产菌株退化、发酵周期长、批次波动大、生物胺与真菌毒素被动防控等问题。笔者以单位调味酱品控实践为线索，梳理2023—2026年AI高通量筛选与发酵优化的技术进展，提出“菌株智能筛选—过程控制—风险管控”落地路径。微流控液滴实现万级/日单细胞分选，机器学习使培养基实验次数降60%以上，DCP平台令运动发酵单胞菌乳酸产量升19.7%；过程软测量与数字孪生缩短放大周期，DBTL闭环使Surfactin、红霉素得率分别提升160%、43.5%。结合米曲霉蛋白酶株筛选、混菌配比优化与氨基酸态氮在线监测，为酱类菌种选育与品质提升提供可操作方案。

关键词：

人工智能；高通量筛选；食品工程菌株；调味酱；发酵优化；数字孪生

Abstract:

Seasoning paste relies on multi-species fermentation, and its quality depends heavily on the brewing microbiota. Conventional production suffers from starter degeneration, long cycles and batch variation. Based on the author’s quality-control practice, this paper reviews 2023–2026 progress in AI-enabled high-throughput screening and fermentation optimization, and proposes a strain-screening–process-control–risk-management framework. Microfluidic droplets enable 10⁴/day single-cell sorting; machine learning cuts medium optimization runs by over 60%; DCP raised Zymomonas lactate by 19.7%. Soft-sensing and digital twin shorten scale-up, and DBTL loops raised surfactin and erythromycin yields by 160% and 43.5%. A paste-specific pathway is given for protease-strain screening, mixed-culture ratio and online amino-acid-nitrogen monitoring.

Keywords:

artificial intelligence; high-throughput screening; food engineering strain; seasoning paste; fermentation optimization; digital twin

1  引言

调味酱（豆酱、甜面酱、辣椒酱等）属传统多菌种发酵调味品，氨基酸态氮、总酸与特征香气共同决定其等级。近年来，发酵食品微生物资源的人工智能挖掘持续升温，多组学、计算机视觉与微流控液滴使单细胞表型量化成为可能，机器学习则把培养基与工艺寻优从试错变为预测，食品级微生物（如费氏丙酸杆菌）的资源开发亦受关注。笔者在多年酱类生产质量管理中观察到：自然留种菌株连续传代3~5代后蛋白酶活力明显下降，加之制曲温度与盐水浓度靠经验掌控，常造成风味波动与批次不合格。要从根本上稳住品质，必须把菌株选育从“凭手感”转向“靠数据”。本文聚焦这两项技术在调味酱场景的落地。

2  AI 高通量筛选技术体系

2.1  数据层：从组学到单细胞表型

筛选的前提是“测得准”。全基因组、转录组与代谢组给出菌株潜力画像；计算机视觉对菌落形态、溶血圈、色素无损判读；拉曼光谱可在不破坏细胞的前提下估算胞内产物；微流控液滴把单个细胞封装于皮升级反应室实现“一室一菌”并行培养与检测。Diao 等构建的DCP数字化克隆挑选平台基于含上万个微腔室的微流控芯片，以AI图像识别实现单细胞并行分选与无接触激光挑取。

2.2  算法层：机器学习与贝叶斯优化

海量表型数据需算法萃取规律。随机森林、支持向量机胜任发酵终点软测量；卷积—长短期记忆网络捕捉时序耦合；Transformer 处理多变量过程；贝叶斯优化与主动学习则以最少实验逼近最优配方。笔者单位在培养基调试中体会到：同样目标，纯经验需数十轮摇瓶，引入高斯过程代理模型后轮次可压缩六成以上。

2.3  应用层：自动化分选平台

算法须落到硬件。机器人菌落挑取、液滴分选与在线拉曼联用，构成“培养—检测—挑取”闭环。以DCP为代表的数字化克隆挑取平台基于万级微腔室实现单细胞并行分选，使初筛通量达万级/日，较传统平板挑取提升约两个数量级。

3  发酵性能优化核心方法

3.1  培养基配方优化

配方优化是见效最快的环节。短乳杆菌经AI合成培养基寻优，比生长速率达0.297 h⁻¹、成本降57.52%；运动发酵单胞菌在DCP平台上乳酸产量提升19.7%、胁迫下生长提升77.0%。植物乳杆菌LP1Z经机器学习培养基优化实现高密度发酵；赖氨酸发酵采用人工神经网络—遗传算法耦合动力学控制，终浓度峰值达213.0 g/L[4]；益生菌BB-12利用农业废弃物经AI培养基优化

3.2  过程软测量与数字孪生

在线检测成本高，软测量以温度、pH、近红外等为输入预测关键指标；数字孪生在虚拟空间预演工艺再反哺现场，缩短放大周期；因果人工智能亦用于啤酒发酵品质控制。对酱类而言，以在线温度、pH、盐分与近红外为输入建立氨基酸态氮、总酸实时预测模型，可替代部分繁琐化学检验。

3.3  DBTL 闭环迭代

“设计—构建—测试—学习”（DBTL）把每轮实验转化为下轮先验，使效率与得率同步提升。Surfactin经3轮主动学习得率+160%；红霉素补加硫酸铵后1125.66 mg/L、+43.5%；Pinocembrin自动管线2轮提升500×。

4  在调味酱生产品控中的应用实践

4.1  微生物学基础与品质指标

酱类以米曲霉制曲，后接乳酸菌、酵母混菌发酵。米曲霉蛋白酶、糖化酶水解蛋白淀粉，生成氨基酸态氮与还原糖；乳酸菌产乳酸抑菌并赋酸鲜；鲁氏酵母等产酯生香。广式酱油发酵120 d优势细菌属以四联球菌（36.7%）、葡萄球菌（29.7%）为主；高盐稀态真菌演替呈“曲霉属62.62%~93.85%（0~2月）→柯达酵母属85.64%~99.50%（3~5月）→接合酵母属78.12%（6月）”的规律。

4.2  面向酱类的高通量筛选路径

结合单位实际，笔者将筛选路径归纳为四步：①以蛋白酶、糖化酶活为初筛指标锁定高产米曲霉菌株；②以耐盐（≥18% NaCl）与产酸为指标筛选植物乳杆菌等乳酸菌；③以产酯、耐高渗筛选鲁氏酵母；④混菌协同验证后定点接种。混菌协同发酵可显著改善面团与酱体品质；实验室适应性进化亦已用于功能强化菌株选育。菌株编号、酶活区间与年筛选通量建议填入【笔者单位实测值】。

4.3  混菌配比与过程智能控制

混菌配比决定风味与风险。豆酱人工接种植物乳杆菌2.87×10⁶ CFU/g + 鲁氏酵母4.55×10⁵ CFU/g，感官达91.2分；豆粕一步法混菌酵母∶米曲霉∶乳酸菌∶芽孢杆菌=1∶3∶1∶3，小分子肽1.22%→5.41%、粗蛋白46.0%→55.1%；黄豆酱经响应面优化氨基酸态氮达0.76 g/100g。不同工艺氨基酸态氮积累差异显著：罐式多菌种60 d达1.03 g/100mL，高盐稀态180 d约1.072 g/100mL，传统酱油180 d约1.10 g/100mL，均越GB 2718下限[24]。笔者单位试行“控温制曲+定向接种”后，发酵周期由约【X】天缩至【Y】天、单位能耗降约【Z】%、氨基酸态氮变异系数由【A】%降至【B】%（待填实测）。

4.4  基于AI的品质风险管控

安全风险须前置。酱油生物胺以尸胺、组胺、腐胺、酪胺为主，随发酵先升后降，40℃、25%盐水、0.05%酵母添加可显著抑制其积累；黄曲霉毒素B₁按GB 2761限值5 μg/kg严控原料与曲温。笔者建议建立“批次数据—模型预警—纠偏”闭环，风险预警覆盖率目标【建议填≥95%】。真实企业数据接入后，该框架可由“方法”转为“成果”。

5  结论

AI高通量筛选与发酵优化已在菌株分选、配方寻优、过程控制三环节形成可复用方法：微流控与自动化平台把初筛通量提至万级/日，机器学习降实验轮次六成以上，DBTL使部分产物得率提升40%~160%。落地调味酱，关键在“定向接种稳群落、在线监测稳指标、前置预警稳安全”。当前瓶颈是发酵数据标准化不足与小样本泛化；后续宜建企业级发酵数据库，并以中试联动打通“筛选—放大”断点。本文给出路径与指标，供同行在酱类品质提升中参照。

参考文献

[1] DIAO Z, PENG Q, LUO S, et al. AI-powered high-throughput digital colony picker platform for sorting microbial strains by multi-modal phenotypes[J]. Nature Communications, 2025, 16: 8769. DOI:10.1038/s41467-025-63929-7.

[2] CHANG Y, XU Y, REN X, XIA J. Optimization of Chemical Defined Medium for Lactobacillus brevis Based on Artificial Intelligence[J]. Engineering in Life Sciences, 2025, 25(11): 51. DOI:10.1002/elsc.70051.

[3] 吴家琳, 李滢, 王涓, 等. 基于机器学习的植物乳杆菌LP1Z高密度发酵培养基优化[J]. 现代食品科技, 2025, 41(4): 131-140. DOI:10.13982/j.mfst.1673-9078.2025.4.0312.

[4] LI H, CHEN J, LI X, et al. Artificial neural network and genetic algorithm coupled fermentation kinetics to regulate L-lysine fermentation[J]. Bioresource Technology, 2024, 393: 130151. DOI:10.1016/j.biortech.2023.130151.

[5] SHI P, LIU S, MAO J, et al. AI-driven exploration of microbial resources in fermented foods[J]. Trends in Food Science & Technology, 2026, 167: 105450. DOI:10.1016/j.tifs.2025.105450.

[6] KANWAL N, ZHANG M, KHAN S, et al. AI-Driven Precision Fermentation: From Restaurant Food Waste to Sustainable Protein Production[J]. Food and Bioprocess Technology, 2025, 18: 8354-8379. DOI:10.1007/s11947-025-03981-9.

[7] 张盛尔, 樊智豪, 王沛, 等. 费氏丙酸杆菌及其代谢产物在食品中的应用进展[J]. 食品科学, 2025.

[8] ZHANG H, FENG R, DING N, et al. Sustainable probiotic production via AI: medium optimization and metabolic mechanisms in Bifidobacterium animalis ssp. lactis BB-12 using agricultural waste[J]. Critical Reviews in Food Science and Nutrition, 2025. DOI:10.1080/10408398.2025.2577224.

[9] KURTANJEK Ž. Leveraging Causal AI Models for Enhanced Process Control in Food Production: A Case Study on Beer Fermentation Quality[J]. Kemija u industriji, 2025, 74(11-12): 497-505. DOI:10.15255/KUI.2025.018.

[10] Digital twin for predicting and controlling food fermentation: a case study of kombucha fermentation[J]. Journal of Food Engineering, 2025, 397: 112467. DOI:10.1016/j.jfoodeng.2025.112467.

[11] ADELEKE I, ADEBO O A, NWULU N. Leveraging IoT and machine learning for smart fermentation of amasi: A predictive framework for acidity control[J]. Journal of Agriculture and Food Research, 2025, 24: 102409. DOI:10.1016/j.jafr.2025.102409.

[12] KHAN A, et al. Automatic control technology in fermentation engineering: a review[J]. Frontiers in Bioengineering and Biotechnology, 2025.

[13] VALENCIA-ALBORNOZ R, OYARZÚN D, BURGESS K. Optimisation of surfactin yield in Bacillus using data-efficient active learning and high-throughput mass spectrometry[J]. Computational and Structural Biotechnology Journal, 2024, 23: 1226-1233. DOI:10.1016/j.csbj.2024.02.012.

[14] SHAO M, XU F, KE X, et al. Enhancing erythromycin production in Saccharopolyspora erythraea through rational engineering and fermentation refinement: A Design-Build-Test-Learn approach[J]. Biotechnology Journal, 2024, 19(5): e2400039. DOI:10.1002/biot.202400039.

[15] RADZIKOWSKI M, et al. An automated Design-Build-Test-Learn pipeline for enhanced microbial production of fine chemicals[J]. Communications Biology, 2018, 1: 66. DOI:10.1038/s42003-018-0076-9.

[16] 阮志强, 董玺梅, 蒋雪薇, 等. 高盐稀态酱油发酵优势真菌与风味物质相关性分析[J]. 食品科学, 2022, 43(10): 172-179. DOI:10.7506/spkx1002-6630-20210524-298.

[17] 赵雪松, 等. 接种乳酸菌与酵母菌改善豆酱品质[J]. 食品与发酵工业, 2011, 37(11): 39-45.

[18] 韩丙倩, 管军军, 杨国浩, 等. 一步法混菌固态发酵豆粕的工艺研究[J]. 中国油脂, 2014(1): 19-22.

[19] Comparative evaluation of the microbial diversity and metabolite profiles of Japanese-style and Cantonese-style soy sauce fermentation[J]. Frontiers in Microbiology, 2022, 13: 976206. DOI:10.3389/fmicb.2022.976206.

[20] 高雅文, 刘学军, 修琳, 等. 响应面试验优化黄豆酱工艺条件及其色泽质构分析[J]. 中国酿造, 2019, 38(6): 96-102. DOI:10.11882/j.issn.0254-5071.2019.06.018.

[21] 郭晓敏, 刘文光, 李迅, 等. 乳酸杆菌的筛选及其协同酵母发酵对小米馒头品质的影响[J]. 食品工业科技, 2025.

[22] 郭辉. 食品源高产七烯甲萘醌菌株的实验室适应性进化机制及其发酵纳豆功能强化[D]. 大连工业大学, 2025.

[23] 王惠, 石学梅, 黄冰羽, 等. 酱油发酵过程中生物胺的变化规律及影响因素研究[J]. 食品安全质量检测学报, 2025, 16(7): 94-101. DOI:10.19812/j.cnki.jfsq11-5956/ts.20241030009.

[24] 中华人民共和国国家卫生和计划生育委员会. GB 2718-2014 食品安全国家标准 酿造酱[S]. 北京: 中国标准出版社, 2014.

[25] 中华人民共和国国家卫生和计划生育委员会. GB 2761-2017 食品安全国家标准 食品中真菌毒素限量[S]. 北京: 中国标准出版社, 2017.

[26] BOWLER A L, ALKHULAIFI N, BOWLER S, et al. Hybrid modelling and transfer learning for Bayesian optimisation of yeast protein production from food waste substrates[J]. bioRxiv, 2026. DOI:10.64898/2026.07.24.740460.

...