重磅！《Nature》子刊：通过机器学习预测和改进食品风味

创作时间:

作者:

@小白创作中心

重磅！《Nature》子刊：通过机器学习预测和改进食品风味

引用

来源

https://www.52shipinjia.com/?p=31890

2024年3月26日，比利时学者Kevin J. Verstrepen（通讯作者）等在国际顶级期刊《Nature Communications》（Q1，IF: 16.6）发表题为“Predicting and improving complex beer flavor through machine learning”的研究性论文。这项研究通过结合大量化学分析和感官数据，开发出了可根据化合物浓度预测啤酒风味、气味、口感和鉴赏力的模型。

成果介绍

预测和理解食物的感知和鉴赏力是食品科学的主要挑战之一。对食品风味和鉴赏力的精确建模可为生产者和消费者带来重要机遇，包括品质控制、产品指纹识别、假冒伪劣检测、变质检测以及新产品和产品组合（食物搭配）的开发。准确的风味和消费者鉴赏模型将极大地促进我们对人类如何感知和鉴赏风味的科学理解。此外，精确的预测模型还将促进现有食品评估方法的发展和标准化，并可补充或取代由训练有素的消费者品尝小组进行的评估，因为后者的评估方法多变、昂贵且耗时。最后，模型除了能提供客观、量化、准确的背景信息以帮助生产者之外，还能引导消费者了解其个人偏好。

尽管有无数的应用，但在感官科学领域，尤其是复杂的食品和饮料领域，根据其化学特性来预测食品风味和鉴赏力仍然是一个难以实现的目标。一个关键的障碍是食品风味所依赖的具有风味活性的化学物质数量巨大。风味化合物的化学结构和浓度千差万别，即使面对代谢组学的创新，如非靶向代谢指纹图谱，对它们进行量化也是技术上的挑战和劳动密集型工作。此外，感官分析可能更为复杂。风味感知非常复杂，是数百种不同分子在生理化学和感官层面相互作用的结果。感官感知通常是非线性的，其特点是复杂的、依赖浓度的协同和拮抗作用，而消费者的遗传、环境、文化和心理又使这些作用更加复杂。因此，感知风味很难测量，存在灵敏度、准确性和可重复性等问题，只有通过收集足够大的数据集才能解决。训练有素的品尝小组被认为是高质量感官数据的主要来源，但需要细致的培训，工作量小，成本高。包含消费者对食品评论的公共数据库可以提供一种有价值的替代方法，特别是在研究无需正式培训的鉴赏评分方面。公共数据库的优势在于可以积累大量数据，从而提高统计能力，找出潜在的升值驱动因素。然而，公共数据集也存在偏差，包括向数据库提供数据的志愿者的偏差，以及价格、崇拜地位和对产品以往评价的心理顺应性等干扰因素。

经典的多元统计和机器学习方法已被用于预测特定化合物的风味，例如将化合物的结构特性与其潜在的生物活性联系起来，或将特定化合物的浓度与感官特征联系起来。重要的是，以往的研究大多侧重于预测单一化合物的感官特性（通常基于其化学结构），从而忽略了这些化合物存在于食品或饮料中的复杂基质中这一事实，也排除了化合物之间复杂的相互作用。此外，感官科学常用的经典统计方法需要大量样本和足够的预测因子方差才能建立准确的模型。这些统计方法对异常值很敏感，很容易出现过拟合，而且不太适合非线性和不连续的关系，因此不适合研究由数百种相互作用的风味化合物组成的大量集合。

在这项研究中，研究团队将一系列不同商业啤酒的大量化学分析和感官数据与机器学习方法相结合，开发出了可根据化合物浓度预测味道、气味、口感和鉴赏力的模型。啤酒特别适合建立化学、风味和鉴赏力之间关系的模型。首先，啤酒是一种复杂的产品，由数以千计的风味化合物组成，这些化合物参与了复杂的感官互动。这种化学多样性源于原材料（麦芽、酵母、啤酒花、水和香料）和酿造过程中的生化转化（焙烧、糖化、煮沸、发酵、熟化和陈酿）。其次，互联网的出现使啤酒消费者开始接受在线评论平台，如 RateBeer（ZX Ventures，Anheuser-Busch InBev SA/NV）和 BeerAdvocate（Next Glass，inc.）。通过这种方式，啤酒社区提供了大量的啤酒风味和鉴赏评分数据集，创建了超大规模的感官数据库，为我们的专业感官小组的分析提供了补充。具体来说，研究团队描述了 250 种商业啤酒的 200 多种化学特性，涉及 22 种啤酒风格，并将这些特性与由 16 人组成的内部训练有素的品酒小组的描述性感官分析数据以及从 180,000 多条公共消费者评论中获取的数据联系起来。有了这些独特而广泛的数据集，我们就能训练出一套机器学习模型，根据啤酒的化学成分预测其风味和鉴赏力。通过对表现最佳的模型进行剖析，我们可以确定特定的化合物是啤酒风味和鉴赏力的潜在驱动因素。后续实验证实了这些化合物的重要性，并最终使我们能够显著改善所选商业啤酒的风味和鉴赏力。总之，该研究代表了我们在理解复杂风味方面迈出的重要一步，并加强了机器学习在开发和完善复杂食品方面的价值。因此，该研究为进一步的计算机辅助食品工程应用奠定了基础。

对食物风味的感知和鉴赏取决于许多相互作用的化学成分和外部因素，因此对其理解和预测具有挑战性。在这里，研究团队结合对 250 种不同啤酒的广泛化学和感官分析，训练出能够预测风味和消费者鉴赏力的机器学习模型。对于每种啤酒，该团队都测量了 200 多种化学特性，通过训练有素的品尝小组进行了定量描述性感官分析，并将来自 180,000 多条消费者评论的数据映射到训练 10 种不同的机器学习模型中。表现最好的算法梯度提升（Gradient Boosting）所产生的模型明显优于基于传统统计的预测，并能从化学特征中准确预测复杂的食品特征和消费者评价。通过对模型的剖析，可以识别出特定的、意想不到的化合物，它们是啤酒风味和鉴赏力的驱动因素。添加这些化合物后，商业酒精和非酒精啤酒的变体就能提高消费者的鉴赏力。总之，该研究揭示了大数据和机器学习如何发现食品化学、风味和消费者感知之间的复杂联系，并为开发具有卓越风味的新型定制食品奠定了基础。