白酒作为世界上最古老的蒸馏饮料之一，深受东亚地区人民的欢迎[1]。2023年，中国的白酒产量约为629万kL。在生产过程中，每生产1 t白酒就会产出2～4 t白酒糟[2]，因此中国白酒糟年产量超过2 500万t。作为白酒酿造的副产物，白酒糟中含有丰富的淀粉、蛋白质、脂质和水溶性纤维等营养物质，同时酒糟中还含有多种微量元素、维生素、氨基酸，具有广阔的市场前景[1，3]。在酒糟再利用的过程中，由于酒糟中存在的营养物质和大量微生物，且含水量高，不及时处理或处理不当，极易腐败变质，对环境造成二次污染[4-6]。因此，通过合理有效的处理方式储存酒糟并对酒糟进行再利用对酿酒行业的发展至关重要[7]。酒糟的处理方式通常分为物理法、化学法和生物法。其中生物法凭借着简单、高效、污染少等其他方式无法比拟的优点，被学者认可并进行研究[8]。
乳酸菌广泛存在于自然界和人体内，在食品工业、医药卫生等领域具有重要的应用价值[9-10]。乳酸菌发酵可以利用碳水化合物生产有机酸，降低酒糟环境的pH，较低的pH会使微生物活性减弱，使酒糟环境不利于腐败微生物和病原微生物生长[11-12]。另一方面，在酒糟中添加乳酸菌进行发酵，可以将酒糟制备成营养均衡且能长期保存的饲料[13]。丁良等[14]发现在由箭筈豌豆、全株燕麦、青稞秸秆、啤酒糟和精料配制的发酵全混合日粮中添加乳杆菌显著降低了霉菌和酵母菌的数量，提高了啤酒糟青贮的有氧稳定性。尹晓燕等[15]发现在包含玉米、豆粕、干酒糟等11种成分的全混合日粮中添加复合乳酸菌制剂可以抑制发酵过程中的霉菌生长，降低霉菌毒素含量。但将多种底物以不同比例制备成全混合日粮需要专业的机械，这不仅提高了操作的复杂程度，同时增加了生产成本。为克服上述多底物混合带来的复杂性和高成本的限制，本研究聚焦于探索白酒糟作为单一发酵底物的可行性。
本研究从白酒糟堆场中筛选出一株高耐受白酒糟环境的乳酸生产菌XL1，对其进行形态学观察及分子生物学鉴定。采用Plackett-Burman（PB）试验、Box-Behnken（BB）响应面法（response surface method，RSM）、人工神经网络（artificial neural network，ANN）分析结合遗传算法确定其最佳发酵培养基配方，并将其应用到酒糟固态发酵，研究了白酒糟作为唯一发酵底物时菌株XL1生产乳酸的能力，为实现白酒糟的长期储存提供了参考。
1 材料与方法
1.1 材料与试剂
1.1.1 材料
白酒糟：为蒸酒后的丢糟，来自四川省某酱香型白酒工厂的酒糟堆场，其组成为（以干基计）：淀粉15.1%，还原糖0.3%，蛋白质12.5%，脂肪8.6%，粗灰分4.5%，总磷0.6%，pH为4.5。
1.1.2 试剂
无水葡萄糖、无水磷酸氢二钾、氢氧化钠、无水硫酸锰、乳酸、无水乙酸钠、无水硫酸镁（均为分析纯）：国药集团化学试剂有限公司；酵母粉（生化试剂）：北京双旋微生物培养基制品厂；蛋白胨、牛肉浸粉、琼脂粉（均为生化试剂）：青岛海博生物技术有限公司；柠檬酸氢二铵（分析纯）：上海源叶生物科技有限公司；细菌基因组脱氧核糖核酸（deoxyribonucleic acid，DNA）提取试剂盒：天根生化科技（北京）有限公司。
1.1.3 培养基
MRS液体培养基：蛋白胨10.0 g/L、牛肉浸粉8.0 g/L、酵母粉4.0 g/L、葡萄糖20.0 g/L、柠檬酸氢二铵2.0 g/L、无水乙酸钠5.0 g/L、无水磷酸氢二钾2.0 g/L、无水硫酸锰0.04 g/L、无水硫酸镁0.2 g/L，pH为6.5，121 ℃高压蒸汽灭菌15 min。配制MRS固体培养基时，额外加入16 g/L琼脂粉。
1.2 仪器与设备
ZHJH-1214B超净工作台、ZSD-2270恒温培养箱：上海智诚分析仪器制造公司；AR3130型分析天平：奥豪斯国际贸易有限公司；TGL-16高速台式冷冻离心机：湖南湘立科学仪器有限公司；U3000高效液相色谱、Acclaim OA色谱柱（4.6 mm×250 mm，5 μm）：赛默飞世尔（中国）科技公司。
1.3 方法
1.3.1 高耐受白酒糟乳酸生产菌的筛选
初筛：称量5 g的白酒糟样品与100 mL的纯水混合，振荡混匀后，取8 mL样液加入72 mL MRS液体培养基中。该培养基中添加了60 g/L的乳酸作为菌株生长的限制条件，36 ℃发酵2 d。将发酵后的菌液作倍数稀释，并涂布在MRS固体培养基上，36 ℃厌氧培养2 d。最后，将筛选到的菌体划线纯化并保存备用。
复筛：将初筛得到的菌株接种至MRS液体培养基中，36 ℃发酵2 d后，测量发酵液中的乳酸质量浓度。通过检测发酵液中的乳酸质量浓度，筛选高产乳酸菌。
1.3.2 高耐受白酒糟乳酸生产菌的鉴定及遗传稳定性试验
形态学观察：将菌株划线在MRS固体培养基上，36 ℃厌氧培养2 d后，挑取单菌落放置在载玻片上，按照革兰氏染色法处理[16]，在显微镜下观察菌落形态与染色结果。
分子生物学鉴定：采用细菌基因组提取试剂盒提取筛选菌株的基因组DNA，以其为模板，采用引物27F（5'-AGAGTTTGATCMTGGCTCAG-3'）和1492R（5'-GGTTACCTTGTTACGACTT-3'）对菌株的16S rDNA基因序列进行聚合酶链式反应（polymerase chain reaction，PCR）扩增，PCR扩增体系：DNA提取液1 μL、双蒸水（ddH2O）7 μL、2×Power Taq Master Mix酶10 μL、27F引物1 μL与1492R引物1 μL。PCR扩增条件：95 ℃预变性5 min；95 ℃变性30 s，56 ℃退火30s，72 ℃延伸1 min，共33次循环；72 ℃再延伸5 min。将PCR扩增产物采用1%琼脂糖凝胶电泳检测合格后，委托昆泰锐生物技术有限公司测序[17]。
系统发育树构建：将测序得到的序列通过美国国家生物技术信息中心（national center for biotechnology information，NCBI）网站进行菌株序列比对，下载同源性较高的菌株以及常见的乳酸生产菌序列，使用MEGA 7.0软件进行序列比对，构建系统发育树[18-19]。
乳酸产量遗传稳定性试验：将筛选分离的乳酸生产菌在MRS固体培养基中连续传代6代。每代菌株接种到MRS液体培养基中，36 ℃培养2 d，检测发酵液中的乳酸产量。
1.3.3 培养基优化
采用PB试验筛选影响菌株乳酸产量的显著性成分：通过Design Expert 10.0.1将发酵培养基中的10个单因素，在高（+1）和低（-1）两个质量浓度下对其进行测量[20]，PB试验设计因素与水平见表1，按照软件生成的试验方案配制培养基，灭菌，36 ℃发酵2 d，测量发酵液中的乳酸产量。
表1 培养基优化Plackett-Burman试验设计因素与水平
Table 1 Factors and levels of Plackett-Burman experiments design for medium optimization
因素A 蛋白胨/（g·L-1）B 牛肉浸粉/（g·L-1）C 酵母粉/（g·L-1）D 葡萄糖/（g·L-1）E 磷酸氢二钾/（g·L-1）F 柠檬酸氢二铵/（g·L-1）G 乙酸钠/（g·L-1）H 硫酸镁/（g·L-1）I 硫酸锰/（g·L-1）J pH值水平-1 +1 7 5 2 1 0 1 1 3 13 11 6 30 3 3 7 0.1 0.02 5.5 0.3 0.06 7.5
响应面试验：以PB试验的结果为基础，选择对菌株XL1产乳酸能力影响显著的因素葡萄糖、酵母粉、硫酸镁和pH进行进一步优化，使用Design Expert 10.0.1软件设计BB试验的培养基配比方案，BB响应面试验设计因素与水平见表2，依据配比方案配制培养基[19]，36 ℃发酵2 d后测量发酵液中的乳酸产量。
表2 培养基优化Box-Behnken响应面试验设计因素与水平
Table 2 Factors and levels of Box-Behnken response surface experiments design for medium optimization
因素-1水平0+1 A 葡萄糖/（g·L-1）B 酵母粉/（g·L-1）C 硫酸镁/（g·L-1）D pH值10 2 0.1 5.5 20 4 0.2 6.5 30 6 0.3 7.5
人工神经网络优化试验：将BB试验结果使用Matlab R2023b建立人工神经网络，随机选取24组试验数据用于人工神经网络模型的训练，剩余5组实验用于人工神经网络模型的测试。将这些有显著影响的单因素物质质量浓度作为人工神经网络的输入层，发酵结束后发酵液中的乳酸产量作为人工神经网络的输出层，反复调整人工神经网络的结构，直到试验值与人工神经网络的预测值均方差小于10-3结束训练，保存人工神经网络模型及相应参数[21]。将训练有素的人工神经网络模型导入遗传算法进行最优值求解，多次交叉变异筛选，多次取优，得到最优值以及相应的输入值，得到MRS培养基最佳配比。
1.3.4 白酒糟固态发酵
按照人工神经网络优化模型优化后的数据配制MRS培养基，将筛选得到的菌株接种至优化后的MRS培养基中，36 ℃发酵2 d，以接种量为2×108 CFU/g将发酵液接入酒糟中，搅拌均匀后将酒糟加入100 mL锥形瓶，压实后在酒糟表面覆盖2层保鲜膜制作简易的隔氧环境。将酒糟置于30 ℃的培养箱中培养，在发酵10 d时首次取样，之后每隔5 d取样，根据预试验结果，在第30天结束发酵，测量酒糟的成分变化。
1.3.5 分析检测方法
白酒糟中的水分、粗蛋白、淀粉和还原糖含量：参照T/CBJ004—2018《固态发酵酒醅通用分析方法》测定[22]；乳酸产量：参考张瑞景等[23]的方法，采用高效液相色谱法进行测定。
1.3.6 数据处理
本研究中所有实验均重复3次，结果取平均值，所有数据均以酒糟干基计。使用Design Expert 10.0.1进行PB试验和BB试验设计，使用Matlab R2023b进行人工神经网络试验设计和数据处理。
2 结果与分析
2.1 乳酸菌的筛选和鉴定
从白酒糟堆场中共筛选出25株具有产乳酸能力的菌株，其乳酸产量在0.38～22.65 g/L范围内。将产量最高的菌株命名为XL1，菌落形态如图1a所示，菌落呈乳白色，表面光滑，易挑取。镜检结果见图1b，该菌呈现球状，能被革兰氏染色染成紫色，属于革兰氏阳性菌。
图1 菌株XL1的菌落形态（a）及革兰氏镜检结果（b）
Fig.1 Colony morphology (a) and Gram-microscopic examination results (b) of strain XL1
基于16SrDNA基因测序得到菌株XL1序列，利用MEGA 7.0软件构建系统发育树，结果见图2。由图2可知，菌株XL1与乳酸片球菌（Pediococcus acidilactici）ON306714.1聚于同一分支上，且相似度达到99%。结合菌株XL1的形态学观察和分子生物学鉴定结果，最终鉴定该菌株为Pediococcus acidilactici。
图2 基于16S rDNA基因序列高产乳酸菌株XL1的系统发育树
Fig.2 Phylogenetic tree of high-yield lactic acid strain XL1 based on 16S rDNA gene sequences
对菌株XL1进行传代稳定性研究，在连续传代6代的过程中，菌株XL1的产乳酸能力在22.44～23.75 g/L之间波动，且波动幅度较小，说明6次传代对菌株的乳酸生产能力没有产生显著的影响。菌株XL1具有较好的遗传稳定性，可用于后续的研究。
2.2 培养基优化
2.2.1 Plackett-Burman试验结果
PB试验可通过各因素两水平的实验设计，比较两水平和整体之间的差异，确定因素的显著性[24]。利用PB试验对MRS培养基成分进行筛选，结果见表3。对试验结果进行方差分析及显著性验证，结果见表4。
表3 培养基优化Plackett-Burman试验设计与结果
Table 3 Design and results of Plackett-Burman experiments for medium optimization
序号 A B C D E F G H I J 乳酸产量/（g·L-1）1 2 3 4 5 6 7 8 9 1 0 11 12+1-1-1-1+1+1+1-1-1-1+1+1-1+1-1+1-1+1+1-1+1-1-1+1+1+1-1-1-1-1-1+1+1-1+1+1+1+1+1+1-1-1+1-1-1-1+1-1+1-1-1+1+1-1+1+1+1-1-1-1-1-1+1-1-1+1+1+1+1-1+1-1-1-1+1+1+1-1-1-1+1-1+1+1-1+1-1+1+1+1-1+1-1-1+1-1+1-1+1+1-1+1-1+1-1-1-1+1-1+1+1-1+1-1+1+1-1-1-1+1 20.62±0.25 19.63±0.54 13.44±0.40 19.84±0.56 14.31±0.19 13.71±0.08 12.34±0.30 12.23±0.28 11.60±0.31 11.78±0.30 24.12±0.38 12.08±0.40
表4 Plackett-Burman试验回归模型方差分析
Table 4 Variance analysis of the regression model of the Plackett-Burman experiments
注：“*”代表对结果影响显著（P＜0.05）。
方差来源 平方和 自由度 均方和 F 值 P 值 显著性模型10*A B C D E F G H I J 残差20.66 6.25 4.44 18.40 97.93 1.22 9.76 2.15 40.26 0.29 25.93 0.071 292.94 88.61 62.96 260.89 1 388.37 17.24 138.32 30.49 570.79 4.09 367.64 0.045 4 0.067 4 0.079 8 0.039 4 0.017 1 0.150 5 0.054 0 0.114 1 0.026 6 0.292 4 0.033 2** * *总和206.62 6.25 4.44 18.40 97.93 1.22 9.76 2.15 40.26 0.29 25.93 0.071 206.69 1 1 1 1 1 1 1 1 1 1 1 1 1
采用Design Expert 10.0.1对表3数据进行多元一次回归拟合，得到各因素与乳酸产量（Y）的一次方程为：Y=15.48+0.72A-0.61B+1.86C+2.86D-0.32E-0.90F+0.42G+1.83H-0.15I-1.47J。
由表4可知，该模型P＜0.05，显著，表明模型可靠。决定系数（R2）=0.999 7，代表99.9%的实验数据的差异可用该模型解释。校正决定系数（R2Adj）=0.996 2，代表该模型可解释99.62%的变异，这表明模型方程在解释系统相互作用时是可信的[25-26]。变异系数（coefficient of variation，CV）=1.72%（＜10%），说明数据准确度高，模型拟合度较好。由P值可知，共4个因素对结果影响显著（P＜0.05），分别为C、D、H、J，即酵母粉、葡萄糖、硫酸镁和pH。由F值可知，4个显著性成分对结果影响的主次次序为葡萄糖＞硫酸镁＞pH＞酵母粉。说明葡萄糖是对乳酸产量影响最大的因素，这可能是因为葡萄糖作为碳源，是微生物进行生长和代谢活动的基础，同时也是发酵产物的初始原料[27-28]。结合表4及方程可知，显著性因素中酵母粉、葡萄糖和硫酸镁为正效应，即随着取值的增大，乳酸产量呈上升趋势；pH为负效应，即随着取值的增大，乳酸产量呈下降趋势。非显著性因素中，蛋白胨和乙酸钠为正效应，应取其高水平即蛋白胨13 g/L，乙酸钠7 g/L；牛肉浸粉、磷酸氢二钾和硫酸锰为负效应，应取其低水平即牛肉浸粉5 g/L，磷酸氢二钾1 g/L，柠檬酸氢二铵1 g/L，硫酸锰0.02 g/L[29]。综上，选择葡萄糖、酵母粉、硫酸镁和pH这4个因素进行后续的优化试验。
2.2.2 Box-Behnken响应面试验结果
以PB试验结果为基础，选择对菌株XL1乳酸发酵影响显著的4个因素葡萄糖（A）、酵母粉（B）、pH（C）和硫酸镁（D）作为自变量，以乳酸产量（Y）为响应值，采用Design Expert 10.0.1设计4因素3水平的Box-Behnken响应面试验。试验设计和结果见表5，方差分析见表6。
表5 培养基优化Box-Behnken响应面试验设计与结果
Table 5 Design and results of Box-Behnken response surface experiments for medium optimization
组别A 葡萄糖/（g·L-1）B 酵母粉/（g·L-1）C pH D 硫酸镁/（g·L-1）Y 乳酸产量/（g·L-1）RSM预测值/（g·L-1）ANN预测值/（g·L-1）1 2 3 4 5 6 7 8 9 1 0 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 20 30 10 20 20 20 30 20 30 20 20 10 20 10 10 20 20 20 30 10 20 30 20 20 20 10 20 30 20 6 6 4 2 4 4 4 4 2 2 6 2 4 4 4 4 4 6 4 4 2 4 4 4 6 6 2 4 4 7.5 6.5 7.5 7.5 6.5 6.5 6.5 5.5 6.5 6.5 6.5 6.5 6.5 5.5 6.5 7.5 5.5 5.5 6.5 6.5 5.5 7.5 6.5 6.5 6.5 6.5 6.5 5.5 7.5 0.2 0.2 0.2 0.2 0.2 0.2 0.1 0.1 0.2 0.1 0.3 0.2 0.2 0.2 0.3 0.3 0.3 0.2 0.3 0.1 0.2 0.2 0.2 0.2 0.1 0.2 0.3 0.2 0.1 23.38±0.28 21.10±0.26 12.62±0.20 19.08±0.17 20.98±0.40 21.12±0.24 18.76±0.46 22.40±0.47 18.20±0.38 20.48±0.33 23.74±0.31 12.52±0.24 22.56±0.53 12.76±0.41 12.50±0.17 21.40±0.44 23.64±0.21 22.44±0.61 22.36±0.30 12.40±0.21 22.34±0.09 20.76±0.30 21.58±0.54 21.52±0.33 22.98±0.29 12.20±0.37 19.26±0.30 23.12±0.39 21.24±0.67 23.22 22.52 12.76 19.58 21.50 21.50 19.24 22.64 18.20 20.24 23.72 11.60 21.56 13.40 11.80 21.66 23.96 22.68 21.76 12.76 22.26 19.86 21.56 21.56 21.96 12.70 20.02 22.72 21.42 23.46 21.26 12.52 18.99 21.28 21.28 18.57 22.38 18.14 20.52 23.31 12.46 22.64 12.76 12.61 21.64 23.62 22.47 22.31 12.45 22.40 21.08 21.28 21.28 20.22 17.93 19.22 24.25 20.51
表6 响应面试验回归模型方差分析
Table 6 Variance analysis of regression model of response surface experiments
注：“*”代表对结果影响显著（P＜0.05），“**”代表对结果影响极显著（P＜0.01）。
方差来源 平方和 自由度 均方和 F 值 P 值 显著性模型14 ABCDA B****AC AD BC BD CD A2 B2 C2 D2残差失拟项净误差总和430.24 202.54 16.24 5.63 1.79 2.59 1.23 3.06 4.41 0.98 0.29 168.72 0.57 2.61 0.11 8.90 7.37 1.53 439.13 11 111 1111111111 4 48.35 318.69 25.55 8.86 2.82 4.08 1.94 4.82 6.94 1.54 0.46 265.48 0.90 4.11 0.18＜0.000 1＜0.000 1 0.000 2 0.010 0 0.115 1 0.063 0 0.185 5 0.045 5 0.019 6 0.234 7 0.509 2＜0.000 1 0.357 8 0.062 0 0.678 9** ** **10 4 28 30.73 202.54 16.24 5.63 1.79 2.59 1.23 3.06 4.41 0.98 0.29 168.72 0.57 2.61 0.11 0.64 0.74 0.38 1.92 0.276 5
使用Design Expert 10.0.1软件对表5的结果进行二次多项式回归拟合，得到以下回归方程预测模型：Y=21.55+4.11A+1.16B-0.69C+0.39D+0.81AB-0.55AC+0.87AD+1.05BC+0.49BD-0.27CD-5.1A2-0.30B2+0.63C2+0.13D2。
由表6可知，模型P值＜0.000 1，表现为极显著；失拟项P值＞0.05，不显著；模型决定系数R2值为0.979 7，校正决定系数R2Adj值为0.959 5，两者相差不大，变异系数CV=4.06%＜10%[30-31]。以上数据说明模型可靠，该模型具有统计学意义。由P值可知，对乳酸产量影响极显著的因素有一次项A和二次项A2（P＜0.01），影响显著的因素有B、C和交互项AD、BC（P＜0.05），其他项对结果影响不显著（P＞0.05）。通过比较F值可知，对乳酸产量影响程度大小依次为（A）葡萄糖＞（B）酵母粉＞（C）pH＞（D）硫酸镁。
根据Design Expert 10.0.1软件综合分析得到最优的培养基配方为葡萄糖26 g/L、酵母粉6 g/L、硫酸镁0.3 g/L。在该条件下，乳酸产量预测值达到25.94 g/L。使用优化后的培养基进行3次平行验证试验，发酵菌种XL1得到的乳酸产量实际值为23.45 g/L，相较于优化前仅提高了3.5%，使用优化后的培养基在试验中并未达到预期的乳酸产量。这可能是因为响应面是通过二次多项式建立模型，拟合能力不足，不能将所有因素及其相互作用对乳酸产量的非线性影响表现出来[32]。
2.2.3 人工神经网络与遗传算法优化结果
ANN因为可以不断学习并适应处理非线性的复杂模型而被认为是一种强大的系统优化工具。与传统的正交试验和响应面试验相比，ANN使用相对较少的数据就可以对结果进行预测，同时具有更高的准确性[33-35]。因此，采用人工神经网络分析结合遗传算法对菌株XL1的乳酸发酵培养基进行优化，结果见图3。如图3a所示，人工神经网络的隐藏层采用“4-9-1”拓扑结构，根据表5中RSM预测值和ANN预测值，通过228次训练，试验值与网络模拟值均方误差（mean squared error，MSE）＜10-3。从图3b可以看到，数据点基本上在直线y=x附近，说明试验值与预测值接近[36]，并且R值为0.998 82，相关度较高，说明人工神经网络训练状况良好，可用于菌株XL1乳酸产量的预测。
图3 基于响应面试验的人工神经网络训练结果
Fig.3 Training results of artificial neural network based on response surface experiments
（a）预测值与实际值的均方差随训练次数的变化状况；（b）预测值与实际值的相关性。
将训练好的人工神经网络模型导入遗传算法，通过遗传算法得到一个最佳的MRS培养基配方为葡萄糖26 g/L、酵母粉5 g/L、pH 7.1、硫酸镁0.26 g/L，此条件下乳酸产量的预测值为27.92 g/L。按照最优培养基配方，菌种XL1发酵2 d后乳酸产量实际值达到26.86 g/L，与预测值的符合程度为96.20%，且与优化前相比提高了18.6%，表明该理论模型具有一定的实际应用价值。
2.3 白酒糟中筛选菌株固态发酵结果
以未添加菌株XL1酒糟为空白组在实验室条件下将菌株应用于白酒糟的固态发酵，取50 mL菌株XL1的发酵液加入白酒糟，搅拌均匀后加入多个100 mL锥形瓶中，压实密封，30 ℃发酵30 d。白酒糟中各项指标检测结果见表7。
表7 实验组乳酸片球菌XL1固态发酵白酒糟理化指标检测结果
Table 7 Physicochemical indexes detection results of Baijiu distiller's grains with solid-state fermentation by Pediococcus acidilactici XL1 in the experimental group
注：表中同行不同字母表示实验组、空白组样品间差异显著（P＜0.05）。
理化指标 组别发酵时间/d 0 10 15 20 25 30含水量/%淀粉含量/%还原糖含量/%乳酸产量/（g·kg-1）实验组空白组实验组空白组实验组空白组实验组空白组55.35d 54.59c 15.14a 15.40a 0.27c 0.31d 142.42e 143.07a 54.38e 54.88b 14.12b 14.29b 0.35c 0.37d 143.06e 142.30a 56.04c 55.65a 12.19c 12.06c 0.76a 0.88c 146.01d 142.39a 55.88c 55.18b 10.91d 10.84d 0.80a 0.92c 150.89c 141.27b 56.60b 54.92b 9.33e 9.57e 0.71a 1.03a 152.53b 138.64c 58.20a 54.81b 9.11e 9.04e 0.54b 0.97b 154.95a 135.22d
由表7可知，发酵过程中，随着发酵时间的增加，实验组和空白组淀粉含量显著降低（P＜0.05），分别从15.14%降低至9.11%，15.40%降至9.04%，这可能是因为酒糟中的微生物在发酵过程中产生淀粉酶，将淀粉降解为可发酵性糖[37]。还原糖含量呈先上升后下降的趋势，当发酵20 d时实验组还原糖含量最高，为0.8%；发酵25 d时，空白组还原糖含量最高，为1.03%。还原糖含量的变化主要取决于乳酸菌消耗糖的速度和酶解淀粉产糖速度之间的平衡，当乳酸菌消耗糖的速度大于酶解淀粉产糖的速度，酒糟中的还原糖质量浓度就会上升，反之就会下降[38]。实验组含水量在55.35%～58.20%之间波动，略高于空白组。乳酸含量方面，空白组的乳酸产量随发酵时间延长呈逐渐下降趋势，可能是因为在厌氧环境下，白酒糟中土著微生物代谢消耗乳酸，导致乳酸含量持续下降[39]。而实验组的乳酸含量随发酵时间延长呈逐渐上升趋势且在发酵第10天后均高于空白组，从142.42 g/kg提高到154.95 g/kg，提高了8.8%，这表明菌株XL1可以利用白酒糟作为唯一底物进行发酵产生乳酸。当发酵时间为0～10 d，白酒糟中的乳酸含量仅从142.42 g/kg提高到143.06 g/kg，该增长速率明显低于发酵中后期。这可能是因为发酵初期白酒糟中还原糖质量浓度较低，菌株XL1不能直接利用淀粉进行发酵，因此乳酸产率较低；随着发酵的进行，酒糟中的淀粉缓慢水解生成可发酵的还原糖，乳酸产率得到了提升。因此，还原糖含量可能是影响菌株XL1发酵白酒糟生产乳酸的限制性因素之一，需要在后续的实验中进一步验证。
3 结论
本研究从白酒糟堆场中分离筛选得到一株具有高耐受乳酸的菌种XL1，通过形态学观察及分子生物学技术鉴定其为乳酸片球菌（Pediococcus acidilactici）。通过PB试验、BB试验和人工神经网络分析结合遗传算法对菌株XL1的乳酸发酵培养基进行优化。结果表明，最佳的培养基配方为葡萄糖26 g/L、酵母粉5 g/L、pH 7.1、硫酸镁0.26 g/L。在该条件下发酵液中乳酸产量达到26.86 g/L。将菌株XL1应用于白酒糟固态发酵，酒糟中的乳酸含量从142.42 g/kg提高到154.95 g/kg，提高了8.8%，这表明菌株XL1具有将白酒糟作为唯一底物生产乳酸的潜力。该研究结果为XL1在酒糟长期储存方面的应用提供了理论依据及实践基础。
[1]JIN G Y,ZHU Y,XU Y.Mystery behind Chinese liquor fermentation[J].Trends Food Sci Technol,2017,63:18-28.
[2]MING C Y,DILOKPIMOL A,ZOU C G,et al.The quest for fungal strains and their co-culture potential to improve enzymatic degradation of Chinese distillers'grain and other agricultural wastes[J].Int Biodeterior Biodegrad,2019,144:104765.
[3]WANG C,HUANG Y,ZHAO X Z,et al.Nutritive value of sorghum dried distiller's grains with solubles and its effects on performance in geese[J].J Poult Sci,2018,55(1):54-59.
[4]WANG Z C,LIU X Y,BAO Y R,et al.Characterization and anti-inflammation of a polysaccharide produced by Chaetomium globosum CGMCC 6882 on LPS-induced RAW 264.7 cells[J].Carbohydr Polym,2021,251:117129.
[5]陶雪，吕佳顺，许华杰，等.酒糟综合利用研究进展及茅台实践[J].中国酿造，2023，42（6）：22-27.
[6]池永宽，熊康宁，宋淑珍，等.西南喀斯特地区白酒糟饲料化开发利用关键技术研究[J].中国饲料，2018（1）：77-82.
[7]李芳香，郁建平.酒糟的保存和应用现状[J].山地农业生物学报，2016，35（4）：66-71，82.
[8]DOS REIS K C,COIMBRA J M,DUARTE W F,et al.Biological treatment of vinasse with yeast and simultaneous production of single-cell protein for feed supplementation[J].Int J Environ Sci Technol,2019,16:763-774.
[9]HOVHANNISYAN H G, DANIELYAN L V, GABOYAN E H, et al.Mutational improvement of the Lactobacillus delbrueckii subsp. lactis biopreservation potential[J].Appl Biochem Microbiol,2024,60(5):844-854.
[10]蒋娜，何健，郑强.乳酸菌在畜禽营养与饲料中的应用[J].畜禽业，2024，35（5）：48-50.
[11]BANGAR S P, SURI S, TRIF M, et al.Organic acids production from lactic acid bacteria:A preservation approach[J].Food Biosci,2022,46:101615.
[12]DA COSTA R J,VOLOSKI F L S,MONDADORI R G,et al.Preservation of meat products with bacteriocins produced by lactic acid bacteria isolated from meat[J].J Food Qual,2019,2019(1):4726510.
[13]徐生阳，吴哲，玉柱.发酵全混合日粮青贮技术研究进展[J].饲料工业，2020，41（9）：40-43.
[14]丁良，原现军，闻爱友，等.添加剂对西藏啤酒糟全混合日粮青贮发酵品质及有氧稳定性的影响[J].草业学报，2016，25（7）：112-120.
[15]尹晓燕，魏世平.复合乳酸菌制剂对发酵全混合日粮营养价值、发酵指标及霉菌毒素含量的影响[J].饲料研究，2019，42（8）：63-67.
[16]SUKRAMA I D M, FRANCISKA J, SUARDANA I W.Evaluation of the bacteriocin produced by strain 9 lactic acid bacteria isolate for biopreservation[J].Vet World,2020,13(9):2012-2019.
[17]冉霞，肖雨荷，蔡晶钰，等.高产乙酸乙酯酵母菌的筛选、鉴定及发酵条件优化[J].中国酿造，2024，43（5）：105-110.
[18]朱平平，单杨，夏金兰，等.降解柠檬苦素菌株的筛选鉴定及其发酵条件的优化[J].食品工业科技，2020，41（19）：112-120.
[19]刘一平，金黎明，王晓彤，等.北冰洋来源广谱抗菌海洋细菌的筛选及发酵条件优化[J].中国酿造，2020，39（1）：55-60.
[20]吕孟敏，白凤翎，崔方超，等.鱼肠道中高产苯乳酸乳酸菌的筛选、鉴定及发酵条件优化[J].中国酿造，2023，42（9）：125-130.
[21]郭慧慧.应用BP神经网络和遗传算法优化苏云金芽孢杆菌BRCLLP29、BRC-LLB19及BRC-ZQL3菌株的发酵培养基[D].福州：福建农林大学，2013.
[22]中国酒业协会团体标准.T/CBJ004—2018 固态发酵酒醅通用分析方法[S].北京：中国标准出版社，2018.
[23]张瑞景，王浩，蔡凤娇，等.高效液相色谱法检测白酒中四种有机酸的方法研究[J].中国酿造，2022，41（3）：238-242.
[24]SREEDHARAN A,ONG S T.Combination of Plackett Burman and response surface methodology experimental design to optimize Malachite Green dye removal from aqueous environment[J].Chem Data Collect,2020,25:100317.
[25]薛山，赵昕源，胡潘虹.Plackett-Burman试验结合Box-Behnken响应面法优化琯溪蜜柚海绵层水溶性抗氧化膳食纤维猪肉丸加工配方[J].食品工业科技，2024，45（10）：176-186.
[26]LIM Y H,FOO H L,LOH T C,et al.Optimized medium via statistical approach enhanced threonine production by Pediococcus pentosaceus TL-3 isolated from Malaysian food[J].Microb Cell Fact,2019,18(1):125-143.
[27]肖敏敏，邢馨月，刘文光，等.耐酒精高产L-乳酸菌株的筛选及发酵培养基优化[J].食品工业科技，2023，44（8）：135-143.
[28]刘毓锋，曾嘉锐，黄文琪，等.外源碳源对葡萄酵素微生物生长代谢及生物活性的调节作用[J].食品工业科技，2020，41（8）：104-110，116.
[29]曹新志，赵迎庆，熊俐，等.Plackett-Burman设计与响应面法对姬松茸菌丝体多糖提取工艺的优化[J].湖北农业科学，2014，53（14）：3373-3378.
[30]许海棠，廖华珍，赵彦芝，等.响应面法优化山豆根多糖提取工艺及其分级醇沉组分的抗氧化活性[J].食品工业科技，2019，40（22）：157-162.
[31]侯少平，侯敏娜，周蕊.PB实验及响应面法优化山刺玫果总黄酮的提取工艺[J].化学与生物工程，2021，38（11）：55-61.
[32]刘开放，席志文，黄林娜，等.布拉酵母高密度发酵培养基及发酵工艺优化[J].食品科学，2019，40（8）：56-62.
[33]王俊敏.黑藜麦山楂酒的研制及抗氧化分析[D].太原：山西大学，2021.
[34]GADEKAR M R, AHAMMED M M.Modelling dye removal by adsorption onto water treatment residuals using combined response surface methodology-artificial neural network approach[J].J Environ Manage,2019,231:241-248.
[35]SHAFI J,SUN Z H,JI M S, et al.ANN and RSM based modelling for optimization of cell dry mass of Bacillus sp.strain B67 and its antifungal activity against Botrytis cinerea[J].Biotechnol Biotechnol Equip,2018,32(1):58-68.
[36]JIA W K,ZHAO D A,DING L.An optimized RBF neural network algorithm based on partial least squares and genetic algorithm for classification of small sample[J].Appl Soft Comput,2016,48:373-384.
[37]孙亚楠，李梅，路力榕，等.不同添加剂对白酒糟发酵饲料营养价值的影响研究[J].酿酒科技，2022（2）：17-23.
[38]赵金鹏，赵杰，李君风，等.不同添加剂对水稻秸秆青贮发酵品质和结构性碳水化合物组分的影响[J].南京农业大学学报，2019，42（1）：152-159.
[39]罗璇.白酒酒糟厌氧发酵生产乳酸及发酵残渣产甲烷的研究[D].南昌：南昌大学，2024.