عنوان پایان‌نامه
مدلسازی زنده مانی پروبیوتیک تحت تاثیر پری بیوتیک در نوشیدنی لبنی تخمیری مخلوط شده با آبمیوه
- مقطع تحصیلی
- دکتری تخصصی PhD
- محل دفاع
- کتابخانه مرکزی پردیس کشاورزی و منابع طبیعی شماره ثبت: 6776;کتابخانه مرکزی -تالار اطلاع رسانی شماره ثبت: 76994;کتابخانه مرکزی پردیس کشاورزی و منابع طبیعی شماره ثبت: 6776;کتابخانه مرکزی -تالار اطلاع رسانی شماره ثبت: 76994
- تاریخ دفاع
- ۱۴ بهمن ۱۳۹۴
- دانشجو
- پرنگ نیک مرام
- استاد راهنما
- سیدمحمدعلی ابراهیم زاده موسوی, زهرا امام جمعه
- چکیده
- در این مطالعه زنده مانی دو سویه پروبیوتیک Lactobacillus casei 431 و Lactobacillus acidophilus LA-5 در نوشیدنی لبنی تخمیری مخلوط شده با آب انار با سطوح مختلف pH و درصد اینولین، در طی 21 روز نگه داری، بررسی گردید. شبیه سازی مونت کارلو، مدل رگرسیون بردار پشتیبان و مدل شبکه عصبی مصنوعی برای پیش بینی زنده مانی دو سویه پروبیوتیک استفاده شدند. آنالیز حساسیت برای تشخیص مهم ترین فاکتورهای تاثیر گذار روی قابلیت زنده مانی باکتری ها انجام پذیرفت. توزیع احتمالات نشان داد که L. casei نسبت به تغییرات شرایط محیطی (pH و درصد اینولین) در مقایسه با L. acidophilus سازگاری بیشتری داشت، بنابراین از این سویه باکتریایی برای آزمایشات بعدی بهره گرفته شد. مدل ویبول در شبیه سازی مونت کارلو با مجموعه جدید داده های آزمایشی در نوزدهمین روز نگه داری به خوبی برازش داده شد. شبیه سازی مونت کارلو می تواند ابزاری مفید برای تخمین تعداد باکتری های پروبیوتیک زنده در محصول نهائی باشد. همچنین، با در نظر گرفتن pH، درصد اینولین و زمان نگه داری به عنوان ورودی، قابلیت زنده مانی باکتری های پروبیوتیک به عنوان خروجی توسط مدل رگرسیون بردار پشتیبان و شبکه عصبی مصنوعی پیش بینی شدند. عملکرد ماشین بردار پشتیبان که با دو تابع هسته اصلی چند جمله ای و تابع هسته اصلی پایه شعاعی همراه بود، ارزیابی شد. تابع هسته اصلی چند جمله ای نسبت به تابع هسته اصلی پایه شعاعی کارآمدتر بود. همچنین بر اساس مقایسه ضریب همبستگی و میانگین مربعات خطا، رگرسیون بردار پشتیبان از نظر قدرت پیش بینی تعداد باکتری ها بر شبکه عصبی مصنوعی پیشی گرفت. در بخش دیگر پایان نامه، تغییرات خصوصیات فیزیکوشیمیایی، تولید متابولیت ها، فعالیت آنتی اکسیدانی و زنده مانی L. casei 431 در نوشیدنی لبنی تخمیری به عنوان تابعی از غلظت های مختلف اینولین، آب انار و زمان نگه داری بررسی شدند. بالاترین سطح آب انار اضافه شده موثرترین مقدار برای ارتقای فعالیت آنتی اکسیدانی بود. مقادیر اسید لاکتیک و اسید استیک با افزایش اینولین کاهش یافتند. اضافه کردن اینولین و آب انار اثرات مثبتی روی زنده مانی L. casei داشتند. بهترین مقادیر اینولین و آب انار در نوشیدنی لبنی تخمیری به ترتیب 2 % و 12 % بودند. نمونه بهینه با غلظت های مختلف پکتین متوکسیل بالا (5/0-0 %) پایدار شده و آزمون های ویسکوزیته، رئومتری، اندازه ذرات، ریز ساختار، تفکیک سرم و آزمون حسی برای نمونه ها انجام شدند. نمونه شاهد (0 % پکتین) رفتار نیوتنی و سایر نمونه های حاوی پکتین رفتار رقیق شوندگی با برش را نشان دادند. با افزایش غلظت پکتین، ویسکوزیته افزایش یافت. ضریب قوام (K) با افزایش غلظت پکتین رابطه مستقیم و اندیس جریان (n) با افزایش غلظت پکتین رابطه عکس داشت. تغییرات مدول ذخیره (G') و افت (G") نشان دادند که در نمونه شاهد (بدون پکتین) همواره G' و G" برابر بودند. در نمونه های حاوی پکتین در فرکانس های پائین همواره G'> G" بود ولی در فرکانس های بالا G"> G' بود. به طور کلی، افزودن پکتین باعث افزایش مدول ذخیره و افت شد. به طوری که بالاترین مقدار مدول افت و ذخیره و همچنین زاویه فاز مربوط به غلظت 5/0 % بود. تفکیک فاز در نمونه های حاوی 3/0، 4/0 و 5/0 % پکتین نسبت به نمونه های حاوی 0، 1/0 و 2/0 % پکتین بسیار کمتر بود. مطابق عکس های میکروسکوپی، نمونه های پایدار (نمونه هایی که تفکیک فاز کمتری نشان دادند) در مقایسه با نمونه های ناپایدار ذرات کوچکتری داشتند. در نهایت نمونه حاوی % 3/0 پکتین بهترین نتیجه را از نظر پایداری، یکنواختی، طعم و پذیرش کلی محصول ایجاد کرد. بررسی خصوصیات فیزیکی برای اطمینان از پایداری محصول در طی مدت زمان ماندگاری و همچنین تحت تاثیر تنش های فیزیکی مانند تکان های ناشی از حمل ونقل اطلاعات مفیدی را در اختیار تولید کننده و توزیع کننده قرار می دهد.
- Abstract
- In the current study, the survival of Lactobacillus casei 431 and Lactobacillus acidophilus LA-5 in pomegranate yogurt drink at different pH values and inulin concentrations was evaluated during 21 days storage. Polynomial multiple regression and Weibull models linked with Monte Carlo simulations, support vector regression (SVR) and artificial neural network (ANN) were applied to predict the survival of the two probiotic strains. Sensitivity analysis was applied to identify the most substantial factors affecting the viability. Through the probability distribution, it was demonstrated that L. casei accommodated to the manipulation of the environmental conditions (pH and inulin concentrations) while L. acidophilus failed to survive adequately at the end of shelf life. The Weibull model was fitted well with new set of experimental data at 19th day of storage. The Monte Carlo simulation can be a useful device to estimate the amount of viable probiotic bacteria existing in final product. Also, pH, inulin concentration and storage time were taken into account as inputs, while the survival of probiotic bacteria as outputs were predicted by using support vector regression and artificial neural network. Support vector regression performance associated with polynomial and radial basic kernel functions was evaluated. The former was more efficient than the later. Changes in physicochemical properties, metabolite production, antioxidant activities, and survival of L. casei 431 in a yogurt drink as a function of inulin concentration, pomegranate juice concentration, and storage time were determined. Increasing the level of pomegranate juice promoted the antioxidant activity. Acidity and lactic acid content decreased with increasing the inulin content. Supplementation with inulin and pomegranate juice showed a positive effect on survival of L. casei. The optimum levels of inulin and pomegranate juice were 2% and 12%, respectively. The optimized sample was stabilized by different concentrations of pectin (0, 0.1, 0.2, 0.3, 0.4, and 0.5%). Viscosity, oscillatory rheometry, microstructure, serum separation and sensory evaluation were performed. The samples supplemented with pectin showed shear-thinning behavior while the control (with no added pectin) demonstrated a Newtonian behavior. By increasing the pectin concentration, the viscosity and consistency coefficient (K) were increased while, flow index (n) was decreased. Changes in storage modulus (G') and loss modulus (G") demonstrated that G' was consistently equal to G" in the control sample (without added pectin). At low frequencies G' was higher than G", while, at high frequencies G" was higher than G' in samples supplemented with pectin. In general, addition of pectin resulted in an increased storage and loss modulus. Therefore, the greatest storage and loss modulus was achieved in the sample containing 0.5% pectin. Serum separation was negligible in samples supplemented with 0.3, 0.4 and 0.5% pectin compared to the samples with 0.2, 0.1 and 0% pectin. According to microscopic analysis, stable samples showed less serum separation and contained smaller particles in comparison with unstable samples. As a conclusion, samples supplemented with 0.3% pectin showed the best results in respect to stability, uniformity, taste and overall acceptability. Evaluation of physical properties guarantees the stability during the shelf life and also physical tensions during transportation to producers and distributors. Keywords: Modelling, Probiotic yogurt drink, Survival, Inulin, PH, Stabilization
