综述：基于机器学习的GC–MS与感官数据分析集成技术，用于食品系统中香气的预测

《Journal of Food Composition and Analysis》：Machine learning-driven integration of GC–MS and sensory panel data for aroma prediction in food systems

　　本文综述了2020-2025年间机器学习在食品香味预测中的应用，整合GC-MS化学指纹与感官数据，模型准确率70%-99%，案例分析咖啡、葡萄酒等品类，探讨数据融合、感官设计等新兴方向，并评估可解释性、数据局限性等挑战。

　　食品香气的研究一直以来都是一个复杂的课题，主要原因在于挥发性物质之间的复杂相互作用以及感官评估的主观性。近年来，随着技术的发展，将气相色谱-质谱联用技术（GC–MS）、感官分析和机器学习（ML）相结合的方法，为香气感知的建模提供了一个有力的框架。这种跨学科的整合不仅提高了香气预测的准确性，也推动了对香气化学和感知机制的深入理解。

GC–MS作为一种基础技术，能够有效分离和鉴定复杂的挥发性混合物，从而获得香气成分的定量“指纹”。在现代食品分析中，GC–MS常与头空固相微萃取（HS-SPME）等提取和富集步骤结合使用，能够检测出数百种挥发性物质。然而，仅依靠GC–MS的数据仍然无法全面反映香气的感知特性，因为感官评估涉及到复杂的主观判断，而不仅仅是化学成分的定量分析。因此，将GC–MS与感官数据相结合，再引入机器学习算法，成为研究香气的重要趋势。

早期的研究主要依赖于多元统计工具，如主成分分析（PCA）和偏最小二乘回归（PLSR），这些方法在一定程度上能够预测感官评估结果。例如，Wood等人（2010）利用正交PLS方法，从质谱数据中预测可可的感官质量，而Noguerol-Pato等人（2009）则通过定量分析，将挥发性指纹与Mencía葡萄酒的关键香气属性联系起来。这些研究为后来的数据驱动模型奠定了基础。然而，这些线性方法在处理非线性混合和交互作用时存在局限性，例如对多重共线性的敏感性以及无法建模感知协同或抑制效应，从而限制了其在香气预测中的应用。

近年来，机器学习技术在香气预测中的应用取得了显著进展。通过将GC–MS数据与感官评分相结合，研究人员能够构建更准确的预测模型。例如，Schreurs等人（2024）利用250种啤酒的化学分析数据和感官评分，训练出能够准确预测风味描述和消费者喜好的人工智能模型。Singh等人（2024）则展示了机器学习模型在预测不同威士忌的香气属性方面的潜力，甚至在某些情况下超过了人类感官评估的一致性。此外，研究人员还应用机器学习技术对产品进行分类，例如区分酸奶的不同风味类型或通过香气成分鉴定咖啡的地理来源，这些方法都取得了较高的准确率。

在机器学习方法的应用上，研究人员不仅限于线性回归，而是越来越多地采用非线性算法，如随机森林（Random Forests）、支持向量机（SVM）和深度学习模型。这些算法能够更好地捕捉香气感知的非线性和交互性特征，从而提高预测的准确性和可靠性。例如，Granitto等人（2007）首次将随机森林应用于感官分析，标志着从线性回归向非线性数据挖掘框架的转变。随着技术的进步，深度学习模型在香气预测中的应用也逐渐增多，尤其是在处理高维数据和复杂模式识别方面表现出色。

咖啡作为研究香气预测的典型案例，其风味特征既复杂又多变，这为机器学习方法的应用提供了丰富的数据支持。咖啡的香气来源于Maillard反应、发酵和烘焙过程中产生的数百种挥发性物质，而感官评估则涉及多种描述，如水果香、花香、烘烤香、坚果香和泥土香。Rocchetti等人（2020）通过非靶向代谢组学分析，探讨了咖啡香气与感官特征之间的关系。这些研究不仅揭示了咖啡香气的化学基础，也为其他食品系统的香气研究提供了借鉴。

在实际应用中，机器学习方法能够帮助食品行业实现快速的风味优化，提高产品质量控制的效率，并加深对香气化学的理解。例如，通过构建预测模型，企业可以在不依赖传统感官评估的情况下，快速评估新产品的风味特性，从而加快研发进程。此外，机器学习还能够用于感官引导的优化框架，通过分析香气成分与感官属性之间的关系，指导配方调整和工艺优化，提高产品的市场竞争力。

然而，尽管机器学习方法在香气预测中展现出巨大的潜力，仍然面临诸多挑战。首先，数据的获取和处理是一个关键问题，因为香气数据的采集需要精确的仪器分析和可靠的感官评估，而这两者在实际操作中往往存在一定的难度。其次，模型的可解释性也是一个重要的考量因素，因为食品行业的决策者需要理解模型的预测依据，以便做出科学的判断。此外，感官评估的个体差异和环境因素也可能影响模型的泛化能力，使得在不同条件下模型的预测结果存在偏差。

为了克服这些挑战，研究人员正在探索新的方向，如数据融合、感官引导的设计和实时香气分析。数据融合技术能够整合来自不同来源的香气数据，提高模型的预测能力。感官引导的设计则通过结合感官评估结果，优化食品的香气特征，使其更符合消费者的喜好。实时香气分析技术则能够实现对食品香气的即时监测，为质量控制和工艺调整提供及时的数据支持。

随着这些技术的发展，机器学习在食品香气研究中的应用正变得更加广泛和深入。未来，随着数据处理能力的提升和算法的不断优化，机器学习有望在食品香气预测和优化方面发挥更大的作用。通过将先进的分析化学与机器学习相结合，研究人员能够更全面地理解香气的化学基础和感知机制，为食品科学的发展提供新的思路和方法。

此外，机器学习的应用不仅限于香气预测，还扩展到了更广泛的风味管理领域。例如，结构基础的气味筛选技术能够通过分析化合物的结构特征，预测其可能的香气属性，从而指导新产品的开发。同时，跨模态建模技术则能够将香气数据与其他感官数据（如味觉、触觉等）相结合，构建更全面的感官评估体系。这些技术的发展，使得机器学习在食品科学中的应用更加多样化和高效化。

综上所述，机器学习在食品香气预测和优化中的应用已经取得了显著进展，并展现出广阔的应用前景。通过整合GC–MS和感官数据，研究人员能够构建更准确的预测模型，提高产品质量控制的效率，并加深对香气化学的理解。尽管仍然面临数据获取、模型可解释性和感官评估的挑战，但随着技术的不断进步，这些问题有望得到逐步解决。未来，机器学习有望成为食品科学中预测和可扩展风味研究的重要工具，推动食品行业的创新和发展。