嗅覺和味覺是人類重要的感官功能。具體來說，嗅覺感知是指揮發(fā)物質(zhì)刺激鼻腔內(nèi)的嗅覺感受器，這些感受器將化學(xué)信號(hào)轉(zhuǎn)化為神經(jīng)沖動(dòng)，經(jīng)過復(fù)雜的神經(jīng)傳導(dǎo)通路，最終在大腦中產(chǎn)生的氣味感知；味覺則是食物中的化學(xué)物質(zhì)與口腔內(nèi)的感受器作用，引發(fā)神經(jīng)信號(hào)傳導(dǎo)，在大腦中形成的味道感受。嗅覺與味覺相互配合構(gòu)成“風(fēng)味”這一綜合感官體驗(yàn)。具體而言，食物中的香氣由醇類、酯類、酚類和萜類等多種揮發(fā)芳香物相互作用產(chǎn)生，味道包括酸、甜、苦、咸、鮮5 種基本味道，其賦予了食品獨(dú)特的特征，是人們?cè)u(píng)判食品質(zhì)量的關(guān)鍵因素。

食品風(fēng)味研究經(jīng)歷了4 個(gè)發(fā)展階段。最初，主要依賴于人的主觀感官評(píng)價(jià)，需要專業(yè)的人工小組通過感官器官對(duì)食物中指標(biāo)和特征進(jìn)行分析。這種方式雖然直接，但評(píng)價(jià)標(biāo)準(zhǔn)難以統(tǒng)一、易受個(gè)體差異影響；隨后進(jìn)入風(fēng)味組學(xué)儀器分析階段。影響食品風(fēng)味的關(guān)鍵在于食物中氣味和味道相關(guān)化學(xué)成分，這些物質(zhì)的測定依賴于儀器，由于測定手段或風(fēng)味物質(zhì)數(shù)據(jù)信息的不同，引入了風(fēng)味組學(xué)的概念，其在代謝組學(xué)基礎(chǔ)上發(fā)展起來，其目的是通過結(jié)合化學(xué)分析技術(shù)和生物信息學(xué)的方法在化學(xué)分子水平上全面的描述風(fēng)味。借助儀器分析能夠精準(zhǔn)地檢測食品中的成分，然而卻難以完全反映出消費(fèi)者對(duì)風(fēng)味的整體感受；接著，感官評(píng)價(jià)與儀器分析結(jié)合的方法應(yīng)運(yùn)而生，試圖彌補(bǔ)兩者單獨(dú)使用時(shí)的不足，該方法能更全面地了解食品風(fēng)味化學(xué)成分與感官體驗(yàn)之間的關(guān)系，有助于闡明食品風(fēng)味的形成機(jī)制；現(xiàn)今，隨著人工智能的興起，食品風(fēng)味研究邁入基于機(jī)器學(xué)習(xí)（ML）的智能化分析階段。目前結(jié)合ML算法已經(jīng)實(shí)現(xiàn)基于儀器分析對(duì)食物進(jìn)行有效風(fēng)味測試，涵蓋基于分子特性感知?dú)馕?、消費(fèi)者對(duì)食物的偏好分析、合成風(fēng)味分子、篩選關(guān)鍵風(fēng)味物質(zhì)等相關(guān)研究以及利用數(shù)據(jù)庫進(jìn)行分子味道和氣味的預(yù)測。ML在食品風(fēng)味發(fā)展中具有顯著優(yōu)勢，能從大量復(fù)雜、高維度數(shù)據(jù)中自動(dòng)學(xué)習(xí)和識(shí)別潛在的模式規(guī)律，研究人員可以借助ML深入探討分子與風(fēng)味之間的復(fù)雜關(guān)系。ML還具有良好的適應(yīng)性和擴(kuò)展性，可以根據(jù)不同的分子數(shù)據(jù)和實(shí)現(xiàn)目標(biāo)進(jìn)行調(diào)整，使得它在分子層面的研究發(fā)揮出重要作用。

中國煙草總公司鄭州煙草研究院的張超、朱丹曄*、喬學(xué)義*等將綜述食品風(fēng)味分析中所涉及到的ML算法以及研究食品風(fēng)味的策略性問題，旨在突出ML在食品風(fēng)味研究中的重要作用以及研究食品風(fēng)味的重要方法，為未來生產(chǎn)高品質(zhì)食品提供技術(shù)保障。

01

食品風(fēng)味研究中的常見MMLL算法

作為人工智能的細(xì)分領(lǐng)域，ML技術(shù)快速發(fā)展，在食品風(fēng)味分析中的融合逐漸受到關(guān)注，ML通過從大量風(fēng)味數(shù)據(jù)中自動(dòng)學(xué)習(xí)模式和規(guī)律，提供更高效、準(zhǔn)確的分析結(jié)果。ML在食品風(fēng)味研究中常見方法見圖1，可大致劃分為3 個(gè)子類型：有監(jiān)督算法、無監(jiān)督算法和深度學(xué)習(xí)算法。有監(jiān)督算法是利用模型從標(biāo)記的訓(xùn)練數(shù)據(jù)中學(xué)習(xí)，每個(gè)訓(xùn)練樣本均包括輸入和期望的輸出，目標(biāo)是學(xué)習(xí)出一個(gè)映射函數(shù)，使其能夠?qū)π碌?、未見過的數(shù)據(jù)作出準(zhǔn)確的預(yù)測；而在無監(jiān)督學(xué)習(xí)中，模型處理的是未標(biāo)記的數(shù)據(jù)，即沒有明確的輸出標(biāo)簽，目標(biāo)是發(fā)現(xiàn)數(shù)據(jù)中的隱藏結(jié)構(gòu)或模式；深度學(xué)習(xí)是基于具有深層結(jié)構(gòu)的神經(jīng)網(wǎng)絡(luò)算法，是ML近年來出現(xiàn)的新型分支，逐漸成為ML中的主流。以下將逐一介紹這些所用算法的原理、優(yōu)缺點(diǎn)和風(fēng)味分析實(shí)例。

1.1 有監(jiān)督算法

傳統(tǒng)統(tǒng)計(jì)方法起源于統(tǒng)計(jì)學(xué)，通過統(tǒng)計(jì)推斷揭示變量間的因果關(guān)系或概率分布規(guī)律，更加側(cè)重?cái)?shù)學(xué)模型的理論解釋，適用于小樣本分析。線性回歸和邏輯回歸是使用線性方程描述變量的相關(guān)性以進(jìn)行預(yù)測、相關(guān)性分析，該方法適用于擬合線性關(guān)系，對(duì)復(fù)雜非線性數(shù)據(jù)擬合能力有限。判別分析（DA）通過建立判別函數(shù)f，判定樣品x屬于的類別y，用于預(yù)測分類，同樣該方法不適用非線性數(shù)據(jù)且對(duì)噪聲敏感。PLS是用于處理高維數(shù)據(jù)的多變量統(tǒng)計(jì)分析方法，特別適用于自變量和因變量之間存在復(fù)雜關(guān)系且自變量存在多重共線性的情況，它通過將數(shù)據(jù)投影到低維空間中，同時(shí)考慮自變量和因變量的信息，從而提高模型的預(yù)測能力，是風(fēng)味數(shù)據(jù)統(tǒng)計(jì)中應(yīng)用較為廣泛的方法。然而，PLS在處理非線性關(guān)系時(shí)也存在一定的局限性，預(yù)測過程的準(zhǔn)確性不如其他模型，尤其是應(yīng)對(duì)復(fù)雜數(shù)據(jù)時(shí)，在具體進(jìn)行風(fēng)味分析時(shí)可通過交叉驗(yàn)證的方法優(yōu)化模型性能。

經(jīng)典ML算法是ML領(lǐng)域的核心方法，主要代表包括SVM、KNN、決策樹（DT）和ELM，側(cè)重于從數(shù)據(jù)中學(xué)習(xí)規(guī)律，依賴優(yōu)化算法，常用于分類和回歸任務(wù)，它們更注重模型的預(yù)測準(zhǔn)確性和泛化能力，不具備傳統(tǒng)統(tǒng)計(jì)方法的強(qiáng)解釋性。

SVM是一種經(jīng)典的監(jiān)督學(xué)習(xí)算法，廣泛應(yīng)用于分類和回歸。SVM的核心思想是通過尋找一個(gè)最優(yōu)超平面，將不同類別的數(shù)據(jù)點(diǎn)分隔開，同時(shí)最大化類別之間的間隔，如圖2a所示。具體來說，SVM的原理包括以下3 個(gè)關(guān)鍵點(diǎn)：1）SVM通過最大化類別之間的幾何間隔提高模型的泛化能力；2）對(duì)于非線性可分的數(shù)據(jù)，SVM通過核函數(shù)Φ（x）將數(shù)據(jù)映射到高維空間，使其在高維空間中線性可分；3）軟間隔與松弛變量：為了處理線性不可分的數(shù)據(jù)，SVM引入松弛變量，允許一定程度的誤分類，從而在分類精度和泛化能力之間取得平衡。Wang Hongmei等開發(fā)的基于傳感器和SVM結(jié)合的方法能夠快速、準(zhǔn)確地評(píng)估牛肉風(fēng)味屬性，使用PCA處理數(shù)據(jù)并建立SVM模型，分類準(zhǔn)確率達(dá)到90%。盡管SVM可處理高維數(shù)據(jù)，但模型參數(shù)和核函數(shù)的選擇需要根據(jù)對(duì)應(yīng)的風(fēng)味實(shí)驗(yàn)調(diào)整到最佳結(jié)果；對(duì)于多種類的風(fēng)味物質(zhì)區(qū)分問題增加了模型拓展使用的復(fù)雜性；不擅長解決數(shù)據(jù)缺失問題；在處理大規(guī)模數(shù)據(jù)時(shí)，訓(xùn)練時(shí)間較長，計(jì)算開銷較大。

KNN根據(jù)樣本之間的相似度來進(jìn)行預(yù)測，可用于分類和回歸，如圖2b所示。在分類任務(wù)中，KNN會(huì)在訓(xùn)練數(shù)據(jù)集中找到與待測樣本距離最近的k 個(gè)樣本，然后根據(jù)這k 個(gè)樣本所屬的類別進(jìn)行投票，得票最多的類別即為待測樣本的類別；在回歸任務(wù)中，KNN同樣會(huì)找到與待測樣本距離最近的k 個(gè)樣本，然后將這k 個(gè)樣本的目標(biāo)值進(jìn)行平均，得到的平均值就是待測樣本的預(yù)測值。KNN只需存儲(chǔ)訓(xùn)練數(shù)據(jù)集和計(jì)算距離，無需訓(xùn)練過程，對(duì)數(shù)據(jù)分布無要求且可以很自然地處理多分類問題。Wu Xiaohong等利用電子鼻結(jié)合PCA以及KNN成功識(shí)別了中國白酒的種類，結(jié)果表明KNN在處理經(jīng)過PCA提取的特征后表現(xiàn)更高的白酒分類性能。但算法中k值的選擇對(duì)KNN的性能影響很大，易出現(xiàn)分類邊界模糊的問題，可以結(jié)合交叉驗(yàn)證優(yōu)化k值和距離度量提高分類準(zhǔn)度。

DT能模擬人類決策過程，通過構(gòu)建樹形結(jié)構(gòu)進(jìn)行分類或回歸，其內(nèi)部每個(gè)節(jié)點(diǎn)代表一個(gè)屬性上的測試，分支代表測試輸出，葉節(jié)點(diǎn)代表類別或值。構(gòu)建DT時(shí)，會(huì)根據(jù)信息增益、基尼指數(shù)等準(zhǔn)則選擇最優(yōu)劃分屬性，將數(shù)據(jù)集不斷分割成更小的子集，直到滿足停止條件。DT直觀易懂，可解釋性強(qiáng)，能處理多類型的數(shù)據(jù)。Dagan-Wiener等利用DT開發(fā)一個(gè)基于化學(xué)結(jié)構(gòu)預(yù)測化合物是否具有苦味的工具BitterPredict，能夠快速提取和分類大量化合物。但當(dāng)DT結(jié)構(gòu)的過深時(shí)易發(fā)生過擬合，影響分類結(jié)果。

ELM是一種用于單隱層前饋神經(jīng)網(wǎng)絡(luò)的訓(xùn)練算法，其隨機(jī)初始化輸入層到隱藏層的權(quán)重和偏置，通過最小二乘法直接計(jì)算隱藏層到輸出層的權(quán)重，提高訓(xùn)練速度。Men Hong等通過電子舌和電子鼻獲取啤酒的味覺和嗅覺信息，利用多傳感器數(shù)據(jù)融合技術(shù)，挖掘影響啤酒風(fēng)味的關(guān)鍵特征變量，使用ELM、SVM、RF實(shí)現(xiàn)對(duì)啤酒風(fēng)味的高效、準(zhǔn)確分類。ELM、SVM、RF分類準(zhǔn)確率分別達(dá)到98.33%、96.67%、94.44%；ELM與SVM和RF相比，在某些情況下能達(dá)到更高的分類準(zhǔn)確率，這表明ELM在處理啤酒風(fēng)味分類問題時(shí)具有獨(dú)特的優(yōu)勢。然而，ELM的性能依賴于隱藏層節(jié)點(diǎn)數(shù)量和核函數(shù)的選擇，且模型的參數(shù)解釋性較弱，在實(shí)際應(yīng)用中需要根據(jù)具體風(fēng)味問題進(jìn)行參數(shù)調(diào)整。

集成學(xué)習(xí)算法是通過組合多個(gè)基學(xué)習(xí)器（如DT）提升整體模型性能，如減少過擬合和增加魯棒性，實(shí)現(xiàn)“群體智慧優(yōu)于個(gè)體”，屬于ML的高級(jí)策略。集成學(xué)習(xí)的基礎(chǔ)組件仍屬機(jī)器學(xué)習(xí)范疇，預(yù)測結(jié)果依賴于基學(xué)習(xí)器的假設(shè)，但集成框架本身是元方法，可處理高維數(shù)據(jù)，完全面向預(yù)測性能優(yōu)化，相對(duì)于經(jīng)典ML算法，有黑盒般的低解釋性。RF是基于DT發(fā)展來的集成算法，如圖2c所示，它通過自助采樣法從原始數(shù)據(jù)集中有放回地抽取多個(gè)樣本集，為每個(gè)子數(shù)據(jù)集構(gòu)建一棵DT，可形成樹1、樹2，直到樹n，最終綜合所有DT的結(jié)果進(jìn)行預(yù)測，在分類問題中采用投票法，回歸問題中采用平均值法。Li Qiang等利用基于石英晶體微天平的電子鼻結(jié)合RF分類器，能夠識(shí)別中國不同白酒的風(fēng)味，表明RF通過集成多個(gè)DT，可有效區(qū)分白酒類別。梯度提升決策樹（GBDT）是一種迭代的DT集成算法，通過迭代訓(xùn)練一系列的弱DT，每一棵新的DT都致力于擬合前一輪模型預(yù)測結(jié)果與真實(shí)值之間的殘差，使得形成的殘差1、殘差2等依次減小，通過不斷累加這些DT的結(jié)果得到最終模型，如圖2d所示。GBDT能夠自動(dòng)發(fā)現(xiàn)數(shù)據(jù)中的復(fù)雜關(guān)系，對(duì)異常值相對(duì)魯棒，但訓(xùn)練速度較慢，易受到超參數(shù)影響。而極端梯度提升算法（XGBoost）是對(duì)GBDT的擴(kuò)展，在GBDT的基礎(chǔ)上進(jìn)行了一系列改進(jìn)，采用了二階泰勒展開（使用一階導(dǎo)數(shù)g和二階導(dǎo)數(shù)h）近似損失函數(shù)L，使得模型更加精確，同時(shí)還引入了正則化項(xiàng)Ω控制模型的復(fù)雜度，防止過擬合。XGBoost結(jié)合了DT的可解釋性和GBDT的擬合能力，在各類ML比較和實(shí)際應(yīng)用中都表現(xiàn)出色，在食品風(fēng)味感官分析中已經(jīng)成為很受青睞的算法之一。Armstrong等利用XGBoost結(jié)合化學(xué)成分的光譜數(shù)據(jù)預(yù)測葡萄酒的感官屬性，表明XGBoost能處理復(fù)雜的光譜數(shù)據(jù)，并從中學(xué)習(xí)到與感官屬性相關(guān)的特征值。

分析上述算法結(jié)合風(fēng)味研究得出，線性回歸和PLS適用于處理線性關(guān)系較為明顯的風(fēng)味數(shù)據(jù)，例如在某些風(fēng)味成分定量分析中，當(dāng)風(fēng)味物質(zhì)的含量與傳感器響應(yīng)信號(hào)之間存在近似線性關(guān)系時(shí)，可以建立簡單的線性模型進(jìn)行預(yù)測；DA和KNN適用于處理分類問題，尤其是基于特征向量的風(fēng)味類別劃分。SVM對(duì)于線性或非線性的風(fēng)味數(shù)據(jù)都能通過選擇合適的核函數(shù)進(jìn)行分類或回歸分析；ELM對(duì)于具有一定規(guī)律但樣本量不是特別大的風(fēng)味數(shù)據(jù)能夠快速學(xué)習(xí)并建立映射關(guān)系；DT、RF、GBDT以及XGBoost適合處理具有復(fù)雜非線性關(guān)系和多特征的風(fēng)味數(shù)據(jù)，例如在分析影響食品風(fēng)味的多種因素及其相互作用時(shí)，這些基于樹的算法可以自動(dòng)學(xué)習(xí)數(shù)據(jù)中的規(guī)律分布。ML在食品風(fēng)味分析中具有各種優(yōu)勢，模型的可解釋性較強(qiáng)；對(duì)數(shù)據(jù)量要求相對(duì)靈活，與深度學(xué)習(xí)相比，ML算法在處理中小規(guī)模數(shù)據(jù)集時(shí)能取得很好的效果，這使得ML在一些數(shù)據(jù)獲取相對(duì)困難的風(fēng)味研究領(lǐng)域能夠有效應(yīng)用；計(jì)算資源消耗較低，無需像深度學(xué)習(xí)需要高性能的GPU計(jì)算設(shè)備支持；ML擁有眾多算法，針對(duì)不同的風(fēng)味數(shù)據(jù)分析需求，研究者可以選擇合適的算法進(jìn)行定制化應(yīng)用，能夠很好地適應(yīng)各種復(fù)雜多樣的實(shí)際問題。但ML也有許多不足之處，例如，特征提取能力有限，往往需要人工提取特征；處理大規(guī)模數(shù)據(jù)時(shí)模型性能會(huì)受限。

1.2 無監(jiān)督算法

無監(jiān)督算法在數(shù)據(jù)探索和模式發(fā)現(xiàn)方面具有明顯優(yōu)勢，能夠?qū)]有標(biāo)簽的數(shù)據(jù)進(jìn)行分析，但算法的結(jié)果通常較難解釋，可能會(huì)因不同的算法或參數(shù)選擇而產(chǎn)生較大差異。盡管如此，這些算法在數(shù)據(jù)預(yù)處理和特征提取中仍發(fā)揮著重要作用。K-means是將數(shù)據(jù)集劃分為預(yù)定義數(shù)量的簇，隨機(jī)選擇初始簇中心，然后將每個(gè)數(shù)據(jù)點(diǎn)分配到最近的簇中心對(duì)應(yīng)的簇中，接著計(jì)算每個(gè)簇中心內(nèi)所有數(shù)據(jù)點(diǎn)的均值，這一過程不斷重復(fù)，直至簇中心不再發(fā)生變化或達(dá)到預(yù)設(shè)的迭代次數(shù)，最終結(jié)果是簇內(nèi)數(shù)據(jù)點(diǎn)相似，而不同簇之間的數(shù)據(jù)點(diǎn)不同，如圖2e所示。在研究味覺感知時(shí)，采用K-means對(duì)受試者按照口味偏好劃分亞群，用于研究不同群體的感官特征，其性能依賴于初始簇中心的選擇和簇?cái)?shù)量K的設(shè)定。HC根據(jù)數(shù)據(jù)點(diǎn)之間的相似性逐級(jí)合并最相似的點(diǎn)或簇，形成一個(gè)樹狀結(jié)構(gòu)，如圖2f所示。Agorastos等根據(jù)啤酒的口感維度，采用HC對(duì)啤酒進(jìn)行分級(jí)。HC的優(yōu)點(diǎn)在于不需要預(yù)先指定簇的數(shù)量，能夠提供數(shù)據(jù)的層次結(jié)構(gòu)信息，適用于探索性數(shù)據(jù)分析。PCA是一種降維技術(shù)，廣泛應(yīng)用于數(shù)據(jù)預(yù)處理、特征提取和數(shù)據(jù)可視化，PCA可對(duì)咖啡的揮發(fā)性成分特征提取，從而確定影響感官特征的主要因素。PCA是通過計(jì)算原數(shù)據(jù)的協(xié)方差矩陣，并找到一組正交基向量，將數(shù)據(jù)從高維映射到低維空間，使得主成分在PC1、PC2等各坐標(biāo)軸上有效展開，達(dá)到最大化解釋數(shù)據(jù)方差和區(qū)分?jǐn)?shù)據(jù)的目的，如圖2g所示。對(duì)于不同產(chǎn)地松茸的風(fēng)味指紋，研究者基于鑒定揮發(fā)性化合物的信號(hào)強(qiáng)度進(jìn)行PCA，結(jié)果顯示不同樣本在相對(duì)獨(dú)立的空間中可以被很好地區(qū)分。自編碼器通過編碼器將輸入數(shù)據(jù)壓縮到一個(gè)低維的潛在空間，然后再通過解碼器嘗試重構(gòu)輸入數(shù)據(jù)，使得模型能夠?qū)W習(xí)數(shù)據(jù)的內(nèi)在結(jié)構(gòu)。Dibeklio?lu等利用自編碼器將面部表情圖片轉(zhuǎn)化為特征向量，為模型訓(xùn)練提供了基礎(chǔ)數(shù)據(jù)。自編碼器的多種變體如去噪、卷積自編碼器等在不同場景中均會(huì)出現(xiàn)。

1.3 深度學(xué)習(xí)算法

深度學(xué)習(xí)相對(duì)于ML算法，能夠自動(dòng)學(xué)習(xí)數(shù)據(jù)中的復(fù)雜特征層次，無需人工干預(yù)，更能捕捉到隱藏在數(shù)據(jù)中的復(fù)雜模式；在大規(guī)模數(shù)據(jù)訓(xùn)練下也能展現(xiàn)出強(qiáng)大性能，能很好去適應(yīng)一些食品風(fēng)味大數(shù)據(jù)；深度學(xué)習(xí)通過構(gòu)建多層神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，能夠?qū)W習(xí)到極其復(fù)雜的非線性關(guān)系，對(duì)于風(fēng)味數(shù)據(jù)特性交織的復(fù)雜系統(tǒng)可以構(gòu)建強(qiáng)大的模型進(jìn)行準(zhǔn)確描述和預(yù)測；同時(shí)深度學(xué)習(xí)可處理多種數(shù)據(jù)，例如高維圖像、大規(guī)模文本數(shù)據(jù)、音頻數(shù)據(jù)以及各種變量的時(shí)間序列數(shù)據(jù)。

ANN是一種模仿人類神經(jīng)系統(tǒng)中神經(jīng)元相互連接和信息處理方式的ML算法，其中的神經(jīng)元按照不同層次結(jié)構(gòu)排列，通常包含輸入層、隱藏層和輸出層。輸入層接收外界的數(shù)據(jù)，將其傳遞給隱藏層，隱藏層由多個(gè)神經(jīng)元構(gòu)成，神經(jīng)元之間相互連接并進(jìn)行復(fù)雜的非線性變換，能夠自動(dòng)從輸入數(shù)據(jù)中提取特征和模式，經(jīng)過隱藏層的處理后，信息再傳遞到輸出層，輸出層給出最終的預(yù)測結(jié)果，如圖2h所示。ANN通過調(diào)整神經(jīng)元之間連接的權(quán)重W學(xué)習(xí)數(shù)據(jù)中的規(guī)律模式，這個(gè)過程通常借助反向傳播（BP）算法實(shí)現(xiàn)，該算法會(huì)根據(jù)輸出結(jié)果與真實(shí)值之間的誤差，反向傳播并更新各層連接神經(jīng)元的權(quán)重W，以逐步減小誤差，提高模型的預(yù)測準(zhǔn)確性。ANN具有強(qiáng)大的非線性映射能力，可以處理復(fù)雜的、高度非線性的數(shù)據(jù)關(guān)系。Li Yu等基于理化參數(shù)和閃速氣相色譜-電子鼻的進(jìn)行分析，通過ANN建立分類模型，用于評(píng)估不同釀造工藝的醋的質(zhì)量和揮發(fā)性特征。ANN快速識(shí)別不同釀造工藝的醋為工業(yè)生產(chǎn)和市場流通中的醋分類提供了技術(shù)支持。

CNN是一種因受到了人類視覺神經(jīng)系統(tǒng)啟發(fā)，專門為處理具有網(wǎng)格結(jié)構(gòu)數(shù)據(jù)而設(shè)計(jì)的算法，主要由輸入層、卷積層、池化層、全連接層和輸出層構(gòu)成。輸入層接收原始數(shù)據(jù)，卷積層利用多個(gè)卷積核在輸入數(shù)據(jù)上進(jìn)行滑動(dòng)卷積操作，各卷積核可提取不同的局部特征且參數(shù)共享機(jī)制大大減少了模型參數(shù)量，降低了計(jì)算復(fù)雜度；池化層緊跟其后，對(duì)卷積層的輸出進(jìn)行下采樣，減少數(shù)據(jù)的維度，同時(shí)保留重要特征，常見的池化操作有最大池化和平均池化；經(jīng)過若干個(gè)卷積層和池化層的交替處理后，得到的數(shù)據(jù)會(huì)被展平并輸入到全連接層，全連接層將前面提取的特征進(jìn)行組合和變換；最后輸出層根據(jù)具體任務(wù)輸出預(yù)測結(jié)果，如圖2i所示。CNN廣泛應(yīng)用于圖像識(shí)別、目標(biāo)檢測、語義分割等領(lǐng)域，能有效地處理大規(guī)模的數(shù)據(jù)，并且具有較高的準(zhǔn)確率和泛化能力。Wu Danli等提出一種基于CNN的模型，用于通過電子鼻數(shù)據(jù)預(yù)測氣味的愉悅度，簡化氣味評(píng)估過程。CNN不僅適用于愉悅度預(yù)測，還可用于新氣味分類和評(píng)估，為香水行業(yè)和環(huán)境監(jiān)測提供了參考。

RNN的神經(jīng)元不僅接收當(dāng)前時(shí)刻的輸入，還會(huì)接收上一時(shí)刻自身的輸出，形成一種循環(huán)結(jié)構(gòu)，使得它可以對(duì)序列中的信息進(jìn)行記憶和傳遞，捕捉到序列數(shù)據(jù)中的時(shí)間依賴關(guān)系，這在結(jié)構(gòu)設(shè)計(jì)上有別于傳統(tǒng)的前饋神經(jīng)網(wǎng)絡(luò)，在序列數(shù)據(jù)處理中有大量應(yīng)用。但傳統(tǒng)RNN存在梯度消失或梯度爆炸的問題，這使得它在處理長序列數(shù)據(jù)時(shí)難以捕捉到較早時(shí)刻的信息，導(dǎo)致長距離依賴關(guān)系學(xué)習(xí)能力較弱，為了克服該問題，后來又發(fā)展出了如長短期記憶網(wǎng)絡(luò)（LSTM）和門控循環(huán)單元（GRU）等改進(jìn)的RNN變體，它們通過引入特殊的門控機(jī)制，有效地解決了梯度問題，提升了對(duì)長序列數(shù)據(jù)的處理能力。Miller等通過LSTM從大量威士忌評(píng)論中自動(dòng)提取描述性術(shù)語，構(gòu)建威士忌的風(fēng)味詞匯表，并探索了在感官科學(xué)中的應(yīng)用。LSTM能夠有效捕捉文本中的信息，準(zhǔn)確區(qū)分出描述性和非描述性術(shù)語，自動(dòng)提取出的描述性術(shù)語能夠快速構(gòu)建威士忌的風(fēng)味詞匯表，為感官分析提供了新的工具。RNN可以處理大規(guī)模的文本數(shù)據(jù)，可擴(kuò)展到其他食品和飲料領(lǐng)域，幫助研究人員快速分析和比較產(chǎn)品感官屬性。

繼傳統(tǒng)RNN及其變體（LSTM、GRU）之后出現(xiàn)了更加強(qiáng)大的序列數(shù)據(jù)處理模型Transformer，它摒棄了序列逐個(gè)處理的方式，引入的自注意力機(jī)制和多頭注意力結(jié)構(gòu)能夠高效并行處理序列數(shù)據(jù)，捕捉長距離依賴關(guān)系，并借助位置編碼保留序列順序信息，通常采用編碼器-解碼器架構(gòu)，具備強(qiáng)大的語義轉(zhuǎn)換能力，適用于多種自然語言處理任務(wù)，同時(shí)具有高度的可擴(kuò)展性和靈活性。在呈味肽研究中，Transformer可以處理多肽的氨基酸序列數(shù)據(jù)，最終實(shí)現(xiàn)多肽生物活性和呈味特性預(yù)測。

02

結(jié)合ML的食品風(fēng)味分析策略

利用ML學(xué)習(xí)進(jìn)行食品風(fēng)味分析可大幅度提高效率，但食品風(fēng)味分析過程中可以側(cè)重點(diǎn)會(huì)有所區(qū)別，若是使用具體的某一ML算法進(jìn)行風(fēng)味分析，分析過程可能會(huì)更偏向于ML算法的改善工作以達(dá)到更精準(zhǔn)的預(yù)測任務(wù)；若是對(duì)食品在生活中的使用進(jìn)行敘述，風(fēng)味分析過程就會(huì)更偏向于食品對(duì)消費(fèi)者和企業(yè)效益的影響，例如在食品摻假分析中，可用摻入不同比例的非主料食品進(jìn)行風(fēng)味分析，以達(dá)到識(shí)別食物真?zhèn)蔚哪康?；在食品風(fēng)味預(yù)測中，可重點(diǎn)研究食品等級(jí)、食品風(fēng)味變化、食品地區(qū)劃分等相關(guān)問題。表1舉例了近年來ML基于分子特性的風(fēng)味分析策略主要應(yīng)用，以下將先明確風(fēng)味研究基礎(chǔ)的分析儀器，隨后從分子屬性角度出發(fā)分析食物風(fēng)味，最后還可利用常見風(fēng)味綜合數(shù)據(jù)庫進(jìn)行快捷風(fēng)味特征分析。

2.1 基于儀器基礎(chǔ)的風(fēng)味分析

食品中確切的揮發(fā)風(fēng)味物往往需要通過客觀且精密的儀器分析得到，并結(jié)合ML算法實(shí)現(xiàn)有效的食品風(fēng)味測試，從而快速評(píng)估食品的屬性。儀器分析是風(fēng)味物質(zhì)誕生的基礎(chǔ)手段，以下將介紹多種常見的輔助風(fēng)味分析的儀器為食品發(fā)展提供可靠的標(biāo)準(zhǔn)基礎(chǔ)。

GC-MS和GC-IMS是常見的分析工具，前者是一種強(qiáng)大的化學(xué)分析工具，結(jié)合了GC的分離能力和MS的鑒定能力，用于鑒定和定量復(fù)雜樣品中的揮發(fā)性和半揮發(fā)性物質(zhì)，其通過色譜部分將混合物中的化合物分離，然后通過質(zhì)譜部分對(duì)每個(gè)單獨(dú)的化合物進(jìn)行質(zhì)量分析，從而實(shí)現(xiàn)對(duì)樣品中未知組分的識(shí)別和定量，它不僅在環(huán)境監(jiān)測、藥物研發(fā)等領(lǐng)域發(fā)揮著關(guān)鍵作用，在食品風(fēng)味分析中也尤為重要。研究人員能夠通過它識(shí)別和定量食品中的特定風(fēng)味物質(zhì)，這些物質(zhì)可能對(duì)食品的整體感官有顯著影響。Chen Cheng等使用SPME-GC-MS聯(lián)用測定全部添加脂肪酸和鐵的乳粉樣品的感官數(shù)據(jù)并使用RF預(yù)測腥味，RF識(shí)別出了對(duì)腥味有顯著貢獻(xiàn)的GC-MS峰，這些峰被標(biāo)注為醇類、酮類、醛類和呋喃類化合物。GCIMS也是一種高效的分析技術(shù)，通過結(jié)合GC分離能力和IMS的檢測速度和靈敏度，對(duì)揮發(fā)性和半揮發(fā)性物進(jìn)行快速鑒定和定量。與傳統(tǒng)GC-MS相比，其優(yōu)勢在于高分離效率和快速響應(yīng)能力，能提供更快的分析速度，不需要樣品預(yù)處理和真空操作，極大縮短了樣品分析時(shí)間，通常在10～15 min內(nèi)完成一個(gè)樣品的檢測；儀器中空氣可作為載氣，能夠檢測到傳統(tǒng)儀器無法識(shí)別的小分子揮發(fā)有機(jī)物；設(shè)備也具有便攜性和低的維護(hù)成本。它可對(duì)食品的風(fēng)味成分進(jìn)行更詳細(xì)的分析，例如檢測水果中的香氣化合物、酒類中的風(fēng)味物質(zhì)等，這有助于評(píng)估食品的質(zhì)量。Zhang Yi等通過HS-GC-IMS快速全面評(píng)估不同發(fā)酵處理對(duì)柑橘果皮在儲(chǔ)存過程中的風(fēng)味化合物的動(dòng)態(tài)變化，PCA能明顯區(qū)分不同貯藏時(shí)間樣品的風(fēng)味物質(zhì)，為柑橘果皮老化提供理論指導(dǎo)。

兩種感官儀器分別是電子鼻和電子舌，其中電子鼻是模擬人類嗅覺的儀器，核心組成包括氣味取樣、氣體傳感器陣列和信號(hào)處理系統(tǒng)，將氣體傳感器捕捉到的氣味分子的化學(xué)信號(hào)轉(zhuǎn)換成電信號(hào)，然后通過模式識(shí)別算法進(jìn)行分析和識(shí)別，這些傳感器對(duì)不同氣體的靈敏度有差異，從而可形成獨(dú)特的響應(yīng)圖案。優(yōu)點(diǎn)是響應(yīng)時(shí)間短、重復(fù)性好、操作簡單且準(zhǔn)確客觀，在食品工業(yè)中被用于檢測食品的新鮮度、預(yù)估貯存時(shí)間。電子舌模擬的是人類味覺感知，它利用傳感器感知樣品的整體特征響應(yīng)信號(hào)，并通過模式識(shí)別對(duì)樣品分析，能在短時(shí)間內(nèi)完成樣品的檢測。Liu Ming等利用電子鼻測量得到響應(yīng)值，并通過PCA結(jié)合BP-ANN和SVM客觀評(píng)估20 種最受歡迎且商業(yè)可得的中國白酒。結(jié)果表明，傳感器S1、S3、S5、S6、S7和S9可用于香型評(píng)估，S7和S9能夠識(shí)別鳳香型和豉香型，S6能夠區(qū)分老白干香型，S1、S3、S5適用于醬香型、濃香型、清香型、芝麻香型和濃香型白酒的評(píng)估。因此，電子鼻可以作為中國白酒質(zhì)量控制和風(fēng)味評(píng)估的客觀工具。

其他幾種儀器也可用于食品風(fēng)味分析，NIR可利用700～2 500 nm之間的電磁波譜進(jìn)行非破壞性分析，它通過測量分子中化學(xué)鍵吸收特定波長的近紅外光，尤其是C—H、O—H和N—H鍵，導(dǎo)致分子振動(dòng)特性獲取物質(zhì)的化學(xué)信息，可用來識(shí)別和定量物質(zhì)中的特定組分。NIR分析速度快、分析成本低、儀器操作簡單、對(duì)樣品無化學(xué)污染、測量準(zhǔn)確度高，可實(shí)現(xiàn)多組分的同步快速定量，已廣泛應(yīng)用于食品領(lǐng)域。另外一種利用光譜學(xué)并結(jié)合成像的是近紅外高光譜成像，它能在900～1 700 nm的波長范圍內(nèi)捕獲圖像，通過逐像素收集光譜和空間信息，為每個(gè)像素產(chǎn)生一個(gè)光譜特征，從而為不同材料提供獨(dú)特的指紋。它在食品風(fēng)味中可用于檢測食品中的關(guān)鍵物質(zhì)各項(xiàng)指標(biāo)。Gehlken等開發(fā)基于傳感器進(jìn)行NIR測量得到葡萄漿樣品的光譜數(shù)據(jù)結(jié)合PLS回歸和光譜一階導(dǎo)數(shù)的校準(zhǔn)模型預(yù)測釀酒葡萄中的感官屬性，并與感官評(píng)估結(jié)果進(jìn)行比較，對(duì)于果香、青草、花香和微生物味4 種感官指標(biāo)顯示出較高的預(yù)測準(zhǔn)度。SERS是基于金屬納米結(jié)構(gòu)的高靈敏度光譜分析技術(shù)，它能夠顯著增強(qiáng)吸附在金屬表面（如金、銀、銅）附近分子的拉曼信號(hào)，增強(qiáng)效果可達(dá)108 倍甚至更高，其增強(qiáng)效應(yīng)主要由電磁增強(qiáng)和化學(xué)增強(qiáng)兩方面構(gòu)成，其中電磁增強(qiáng)起主導(dǎo)作用。SERS靈敏度高，無需標(biāo)記能快速檢測，具有分子特異性，能夠提供分子水平上的信息，用于檢測并識(shí)別各種化學(xué)物質(zhì)，包括生物分子、有機(jī)污染物等，在食品安全領(lǐng)域有巨大的應(yīng)用潛力。Leong等設(shè)計(jì)一種由PCA和SVM-DA驅(qū)動(dòng)的“SERS品嘗器”，使用SERS技術(shù)捕獲風(fēng)味分子并同時(shí)利用多個(gè)受體的振動(dòng)信息增強(qiáng)對(duì)5 種葡萄酒風(fēng)味分子的多重分析，SERS品嘗器在人工葡萄酒基質(zhì)中實(shí)現(xiàn)了100%的風(fēng)味定量精度。LF-NMR利用原子核在外加磁場作用下的能級(jí)分裂和能量吸收釋放現(xiàn)象，通過射頻激勵(lì)和檢測獲取樣品中不同核自旋的信號(hào)。相比高場核磁共振，LF-NMR具有成本低、設(shè)備小型化、操作簡便等優(yōu)勢，在食品風(fēng)味分析中能夠檢測食品中的水分含量、脂肪含量、糖含量等。Sun Yanan等采用LF-NMR分析大蒜中的水分狀態(tài)和風(fēng)味物質(zhì)并使用PLS和BP-ANN成功監(jiān)測了大蒜在干燥過程中的風(fēng)味變化。利用上述這些精密的分析儀器可對(duì)食物中某一分子層面進(jìn)行測定，構(gòu)建出目標(biāo)數(shù)據(jù)庫結(jié)合算法進(jìn)行相關(guān)風(fēng)味研究。

2.2 基于分子屬性的風(fēng)味分析

研究食物的風(fēng)味就是探索影響味道和氣味的風(fēng)味分子，分子通過儀器和軟件測得的單一結(jié)構(gòu)或序列結(jié)構(gòu)與反映或發(fā)揮出的功能會(huì)彰顯出食物的不同特點(diǎn)，最終的風(fēng)味特征也不相同。因此，研究食物的風(fēng)味需研究食物中分子的結(jié)構(gòu)特征、分子發(fā)揮的性質(zhì)與食物風(fēng)味的關(guān)系。接下來將從食品的分子結(jié)構(gòu)、分子性質(zhì)和分子序列角度具體說明風(fēng)味分析的方法與應(yīng)用。

2.2.1 基于分子結(jié)構(gòu)的風(fēng)味分析

1）分子氣味感知與消費(fèi)者偏好

一種基于結(jié)構(gòu)信息估算分子特性的通用方法，稱為定量構(gòu)效關(guān)系（QSPR）建模。該方法通常使用SMILES分子表示法。SMILES可被視為一種真正的語言，而非樹狀結(jié)構(gòu)數(shù)據(jù)作為輸入，這些信息可直接由軟件生成或在數(shù)據(jù)庫中查詢。Sharma等基于化合物結(jié)構(gòu)的理化性質(zhì)、分子指紋和SMILES符號(hào)，開發(fā)了使用DNN結(jié)合物理化學(xué)性質(zhì)、PPMF以及CNN結(jié)合化學(xué)結(jié)構(gòu)圖像（使用Xception權(quán)重）預(yù)測結(jié)構(gòu)-氣味關(guān)系的模型。DNN結(jié)合PPMF和CNN結(jié)合化學(xué)結(jié)構(gòu)圖像的組合架構(gòu)準(zhǔn)確預(yù)測了64 種氣味感知，準(zhǔn)確率為100%，對(duì)102 種氣味感知的預(yù)測準(zhǔn)確率為90.35%。Wang Yutang等為預(yù)測啤酒中化合物的風(fēng)味和保留指數(shù)，從文獻(xiàn)和FlavorDB數(shù)據(jù)庫中收集啤酒揮發(fā)性物質(zhì)，使用SMILES符號(hào)作為風(fēng)味模型SVM、RF和KNN和預(yù)測保留指數(shù)值的回歸模型PCR、RFR和PLS的輸入，風(fēng)味分類最高準(zhǔn)確率達(dá)到0.686，最佳回歸模型的R2達(dá)到0.96。

使用分子圖像意味著將分子的結(jié)構(gòu)轉(zhuǎn)化為圖形表示，將分子圖像作為輸入的情況相對(duì)少見，但隨著深度網(wǎng)絡(luò)算法的發(fā)展，其已經(jīng)被用作輸入信息。與傳統(tǒng)的定量構(gòu)效關(guān)系模型相比，基于圖的表示法具有揭示混合物成分之間模式的優(yōu)勢，并且在捕捉復(fù)雜性和對(duì)稱性方面表現(xiàn)出色。Sanchez-Lengeling等以分子圖像結(jié)構(gòu)作為輸入，成功訓(xùn)練出能捕捉結(jié)構(gòu)與氣味之間關(guān)系的圖神經(jīng)網(wǎng)絡(luò)。Bo Weichen等使用以二維分子圖像作為輸入的CNN自動(dòng)提取特征，并建立了圖像與分子氣味之間的聯(lián)系。為解決結(jié)構(gòu)-氣味距離的不連續(xù)性問題，Lee等通過構(gòu)建一個(gè)POM，成功地將分子結(jié)構(gòu)與氣味感知聯(lián)系起來。研究利用MPNN，將化學(xué)結(jié)構(gòu)映射到氣味感知，并通過大規(guī)模的實(shí)驗(yàn)驗(yàn)證了POM在氣味預(yù)測任務(wù)中的有效性和泛化能力。POM能夠保留氣味感知的距離和層次結(jié)構(gòu)，在多種氣味預(yù)測任務(wù)中超越了傳統(tǒng)化學(xué)信息學(xué)模型。該研究為理解氣味感知機(jī)制、預(yù)測新型氣味分子的性質(zhì)以及推動(dòng)氣味數(shù)字化技術(shù)的發(fā)展提供了重要的理論基礎(chǔ)和工具支持。

同樣，可使用圖像顯示分子的結(jié)構(gòu)信息并作為CNN的輸入，預(yù)測食品相關(guān)指標(biāo)，滿足消費(fèi)者對(duì)健康食品的需求。Koyama等開發(fā)一種基于圖像處理和ML結(jié)合的方法，通過智能手機(jī)拍攝菠菜圖像并從中提取顏色特征和局部特征，包括灰度、顏色空間的均值、最小值和標(biāo)準(zhǔn)差，使用SVM和ANN，將提取的特征作為輸入，預(yù)測菠菜的新鮮度等級(jí)。結(jié)果表明，SVM和ANN在四分類中的總體準(zhǔn)確率為70%，在三分類中為77%，在二分類中為84%，模型預(yù)測結(jié)果與個(gè)體評(píng)價(jià)結(jié)果相似。該研究能夠有效替代訓(xùn)練有素的小組成員，提供了一種快速、低成本且可重復(fù)的菠菜新鮮度預(yù)測方法。Da Silva Cotrim等使用CNN提取圖像中的顏色特征，通過全局平均池化減少維度，再用SVM進(jìn)行分類，用于在食品熱處理過程中識(shí)別和跟蹤顏色變化，CNN-SVM混合系統(tǒng)能夠準(zhǔn)確識(shí)別和分類面包烘焙階段，準(zhǔn)確率高達(dá)99.70%，該系統(tǒng)在減少計(jì)算資源消耗并提高模型訓(xùn)練速度方面表現(xiàn)出色，可應(yīng)用于食品加工提升新鮮度的過程。

2）設(shè)計(jì)人工風(fēng)味分子

利用已知風(fēng)味分子的結(jié)構(gòu)結(jié)合ML進(jìn)行從頭分子生成，能夠高效識(shí)別到新型風(fēng)味分子。生成模型將物理化學(xué)性質(zhì)與分子結(jié)構(gòu)相映射，可以高效預(yù)測出高度優(yōu)化的多樣化分子集合，參與后續(xù)食品風(fēng)味的調(diào)控，如圖3所示。Zhavoronkov等為快速發(fā)現(xiàn)針對(duì)盤狀結(jié)構(gòu)域受體1的強(qiáng)效抑制劑，結(jié)合強(qiáng)化學(xué)習(xí)、變分推斷和張量分解，創(chuàng)建生成張量強(qiáng)化學(xué)習(xí)模型，在21 d內(nèi)成功識(shí)別出抑制劑。Skinnider等基于RNN使用LSTM架構(gòu)開發(fā)了DarkNPS深度生成模型，能從已知精神活性物質(zhì)的化學(xué)結(jié)構(gòu)中學(xué)習(xí)并生成新的結(jié)構(gòu)。研究展示出深度生成模型在化學(xué)結(jié)構(gòu)解析、藥物設(shè)計(jì)中的能力，為人工智能在分子設(shè)計(jì)領(lǐng)域的實(shí)踐提供了成功案例，同時(shí)能擴(kuò)展到其他類型的化學(xué)物質(zhì)的結(jié)構(gòu)解析，如新型興奮劑、環(huán)境污染物、食品滋味物質(zhì)等。

2.2.2 基于分子性質(zhì)的風(fēng)味分析

1）食品感知預(yù)測

一種經(jīng)常使用的食品分析策略是利用食品中主導(dǎo)風(fēng)味的關(guān)鍵性物質(zhì)的屬性并結(jié)合ML算法實(shí)現(xiàn)風(fēng)味特征的預(yù)測。Shang Liang等利用來自于包含1 026 種氣味分子和相應(yīng)的氣味描述符的分子數(shù)據(jù)庫并使用DRAGON軟件計(jì)算氣味分子的理化參數(shù)，先通過PCA和Boruta方法提取數(shù)據(jù)特征，隨后使用SVM、RF和ELM預(yù)測分子的氣味感知，結(jié)合Boruta特征提取的SVM模型表現(xiàn)最佳，準(zhǔn)確率達(dá)到97.08%，該方法可用于輔助氣相色譜-嗅覺（GC-O）測定中的人工評(píng)估。Chawgien等根據(jù)西瓜的最大頻率、熵值和質(zhì)量的屬性，使用樸素貝葉斯、KNN、DT、RF、ANN、邏輯回歸、SVM和GBDT對(duì)西瓜的甜度進(jìn)行了分類。Saville等通過ANN（包括MLP分類器）、RF、SVM和KNN分析407 種清酒的12 個(gè)理化性質(zhì)和260 種清酒的感官評(píng)估數(shù)據(jù)識(shí)別日本清酒的質(zhì)量，ANN在清酒風(fēng)味等級(jí)預(yù)測中的準(zhǔn)確率為91.14%，在清酒分類中，MLP的精確率達(dá)到100%。Li等從來自2015年日本大米競賽數(shù)據(jù)中收集樣本，以脂肪酸、水分、蛋白質(zhì)、直鏈淀粉和口感得分的理化參數(shù)作為SVM、LDA、KNN的輸入實(shí)現(xiàn)了大米的口感得分的預(yù)測?？傊@是一種較為直接的利用分子性質(zhì)的方法來實(shí)現(xiàn)一定精度的預(yù)測。下面將介紹一種較為間接的方法，它是基于物質(zhì)在代謝途徑中的循環(huán)實(shí)現(xiàn)風(fēng)味預(yù)測。

2）風(fēng)味代謝物篩選

對(duì)于一種植物，由基因調(diào)節(jié)的相關(guān)酶控制著植物體內(nèi)多種代謝途徑，這些代謝途徑由各種物質(zhì)通過生化反應(yīng)形成，這些參與的物質(zhì)具有相應(yīng)的性質(zhì)，可能有些就是影響植物果實(shí)風(fēng)味的關(guān)鍵物質(zhì)。從篩選代謝物角度出發(fā)，通過代謝組學(xué)結(jié)合統(tǒng)計(jì)和ML算法，能有效剖析并確定多種影響食品風(fēng)味的代謝物，目前已在影響水果風(fēng)味的代謝物探索中應(yīng)用。

Sun Zhu等為探索影響Pepino果實(shí)的關(guān)鍵風(fēng)味代謝物，基于化學(xué)成分，通過代謝組學(xué)和ML結(jié)合的方法預(yù)測果實(shí)風(fēng)味特性。果實(shí)Pepino來自不同地區(qū)，代謝組學(xué)檢測涵蓋的化合物包括氨基酸及其衍生物、核苷酸及其衍生物、酚酸等有機(jī)酸、脂質(zhì)、糖類和醇類等，使用14 種ML模型預(yù)測感官評(píng)分。研究發(fā)現(xiàn)，N-乙酰組胺、精氨酸、咖啡酸能增強(qiáng)風(fēng)味強(qiáng)度；3-磷酸甘油、檸檬酸和蔗糖影響果實(shí)的喜好度；甘油酸和磷酸抑制甜味，增強(qiáng)酸味，蔗糖則相反。篩選出27 種關(guān)鍵代謝物可區(qū)分不同地區(qū)的Pepino果實(shí)，并顯著影響消費(fèi)者的風(fēng)味感知，為Pepino的精準(zhǔn)育種提供了新靶點(diǎn)，有助于培育出風(fēng)味更佳的果實(shí)品種。Ferr?o等將藍(lán)莓的香氣與消費(fèi)者偏好相聯(lián)系，從代謝組學(xué)角度出發(fā)，使用52 個(gè)南方高叢藍(lán)莓品種，利用嶺回歸、RF、多核混合、基因組最佳線性無偏預(yù)測算法得到一些關(guān)鍵萜烯類揮發(fā)物，包括p-傘花烴、香葉醛、芳樟醇、L-薄荷醇、香葉酮、香葉醇、D-檸檬烯、β-蒎烯，這些化合物是“芳香型”風(fēng)味藍(lán)莓的主要代謝物，在“芳香型”藍(lán)莓中的濃度顯著高于“非芳香型”藍(lán)莓，與消費(fèi)者對(duì)藍(lán)莓的喜好密切相關(guān)。Fan Zhen等為識(shí)別影響草莓甜度的化學(xué)物質(zhì)，對(duì)草莓樣本中的3 種糖（葡萄糖、果糖、蔗糖）、2 種有機(jī)酸（檸檬酸、蘋果酸）和113 種揮發(fā)性化合物進(jìn)行定量分析，通過消費(fèi)者小組對(duì)148 個(gè)草莓樣本進(jìn)行感官評(píng)價(jià)，包括甜度、酸度、風(fēng)味強(qiáng)度和整體喜好等指標(biāo)，利用相關(guān)性分析、PCA、PLS、RF、GLM、梯度增強(qiáng)線性模型、最小絕對(duì)收縮和選擇算子模型預(yù)測甜度和消費(fèi)者喜好。研究發(fā)現(xiàn)20 種揮發(fā)性化合物能夠獨(dú)立于糖類增強(qiáng)甜味感知；18 種揮發(fā)性化合物能夠獨(dú)立于糖類增強(qiáng)消費(fèi)者喜好；15 種揮發(fā)性化合物對(duì)甜味和喜好都有積極作用；乙酸己酯、丁酸己酯、丁酸3-甲基丁酯等使草莓在口感和香氣上更加豐富和甜美。這些發(fā)現(xiàn)為通過遺傳工程和標(biāo)記輔助育種改善草莓風(fēng)味提供了重要的化學(xué)物質(zhì)目標(biāo)。綜上，代謝組學(xué)數(shù)據(jù)結(jié)合模型預(yù)測，可挖掘與風(fēng)味相關(guān)的代謝物質(zhì)，為植物育種中風(fēng)味品質(zhì)改良提供方向。

2.2.3 基于分子序列的風(fēng)味分析

1）風(fēng)味物質(zhì)化學(xué)合成設(shè)計(jì)

化學(xué)反應(yīng)可作為一種反應(yīng)序列并結(jié)合ML模型進(jìn)行物質(zhì)預(yù)測，ML在其中表現(xiàn)出色，但預(yù)測風(fēng)味前體物質(zhì)合成鮮見報(bào)道。Coley等開發(fā)一個(gè)能夠預(yù)測有機(jī)反應(yīng)結(jié)果的模型，結(jié)合傳統(tǒng)的反應(yīng)模板和神經(jīng)網(wǎng)絡(luò)的靈活性，以提高結(jié)果的預(yù)測精度，通過ML能準(zhǔn)確預(yù)測化學(xué)反應(yīng)的主要產(chǎn)物，從而輔助有機(jī)合成設(shè)計(jì)和反應(yīng)評(píng)估，解決了現(xiàn)有軟件在實(shí)驗(yàn)室中反應(yīng)步驟失敗率高的問題。研究使用1976—2013年美國專利商標(biāo)局授予專利中的15 000 個(gè)實(shí)驗(yàn)反應(yīng)記錄作為數(shù)據(jù)集，選擇出現(xiàn)頻率最高的1 689 個(gè)獨(dú)特反應(yīng)SMARTS字符串模板用于模型訓(xùn)練，應(yīng)用這些模板到反應(yīng)物池中，可生成一系列可能的候選產(chǎn)物。構(gòu)建神經(jīng)網(wǎng)絡(luò)之后，使用5折交叉驗(yàn)證進(jìn)行訓(xùn)練和測試，用于評(píng)估每個(gè)候選反應(yīng)的可能性，通過具體反應(yīng)示例展示了模型的預(yù)測能力，包括正確預(yù)測的反應(yīng)（如氯化、酰胺合成、異噁唑合成等）和錯(cuò)誤預(yù)測的反應(yīng)（如酰胺化、水解、脫保護(hù)等），并分析模型在這些情況下的表現(xiàn)。混合模型在主要產(chǎn)物排名為1的情況下的準(zhǔn)確率為71.8%，排名在前3的情況下的準(zhǔn)確率為86.7%，排名在前5的情況下的準(zhǔn)確率為90.8%。Segler等提出了一種基于DNN的混合神經(jīng)符號(hào)的方法，結(jié)合手工編碼和自動(dòng)提取的規(guī)則集，用于反應(yīng)預(yù)測和逆合成，通過在包含350萬反應(yīng)的化學(xué)知識(shí)庫上進(jìn)行訓(xùn)練，學(xué)習(xí)如何在特定的分子上下文中應(yīng)用規(guī)則，并對(duì)反應(yīng)規(guī)則進(jìn)行優(yōu)先級(jí)排序。與傳統(tǒng)的基于規(guī)則的系統(tǒng)相比，該模型在反應(yīng)預(yù)測任務(wù)中的準(zhǔn)確率從7%提高到92%，在逆合成任務(wù)中的準(zhǔn)確率從5%提高到78%。這些研究能夠有效預(yù)測有機(jī)反應(yīng)的主要產(chǎn)物，有助于加速化學(xué)研究和藥物開發(fā)中的合成路線規(guī)劃，展現(xiàn)了深度學(xué)習(xí)在風(fēng)味分子合成設(shè)計(jì)中的潛力。以上的測定對(duì)象是化學(xué)反應(yīng)序列，但更多的序列數(shù)據(jù)是基因組序列、轉(zhuǎn)錄組序列以及氨基酸序列，以下將逐一介紹序列數(shù)據(jù)結(jié)合ML算法在食品風(fēng)味方向的相關(guān)研究成果。

2） 挖掘天然風(fēng)味分子

盡管對(duì)已知風(fēng)味分子的研究已取得一定進(jìn)展，但目前僅對(duì)潛在天然產(chǎn)物的6%進(jìn)行了評(píng)估，隨著基因組數(shù)據(jù)的迅速增長，植物的生物合成潛力被低估，預(yù)計(jì)還有數(shù)百萬種潛在的天然產(chǎn)物尚未被發(fā)現(xiàn),仍有大量未知的天然產(chǎn)物有待探索。在植物中，參與特化代謝途徑的基因通常以生物合成基因簇（BGCs）的形式在染色體上連續(xù)編碼，這揭示生物合成途徑的細(xì)節(jié)，為識(shí)別天然風(fēng)味分子提供了有力支持。

Blin等介紹了用于微生物基因組挖掘的工具antiSMASH 6.0，可檢測和表征BGCs，通過基因組數(shù)據(jù)可探索微生物中的次生代謝產(chǎn)物（如抗生素、抗病毒藥物等）的生物合成途徑。Hannigan等通過深度學(xué)習(xí)和自然語言處理技術(shù)，顯著提高了BGCs的預(yù)測精度和分類能力，并可挖掘出潛在的BGCs。這些計(jì)算工具和技術(shù)可為微生物基因組學(xué)和天然產(chǎn)物的挖掘提供重要資源，為植物中風(fēng)味基因及物質(zhì)挖掘提供了指導(dǎo)。Kautsar等介紹了plantiSMASH在線分析平臺(tái)，可自動(dòng)化識(shí)別、注釋和分析植物BGCs，并結(jié)合轉(zhuǎn)錄組數(shù)據(jù)優(yōu)先考慮候選BGCs，并進(jìn)行比較基因組學(xué)分析研究每個(gè)簇的進(jìn)化保守性。通過實(shí)驗(yàn)驗(yàn)證，plantiSMASH能夠成功檢測所有已知的植物BGCs，已經(jīng)在多個(gè)植物基因組中發(fā)現(xiàn)大量的候選BGCs，這有助于發(fā)現(xiàn)和研究植物次生代謝產(chǎn)物。利用質(zhì)譜檢測代謝物的質(zhì)荷比（m/z）獲取代謝物的分子質(zhì)量信息，結(jié)合工具NPLinker，可將基因組學(xué)鑒定的BGCs與代謝組學(xué)檢測到的代謝物進(jìn)行關(guān)聯(lián)分析，通過基因-代謝物關(guān)聯(lián)，明確BGCs對(duì)應(yīng)的實(shí)際代謝產(chǎn)物，實(shí)現(xiàn)天然產(chǎn)物的精準(zhǔn)鑒定，從而架起基因信息與實(shí)際分子的橋梁，隨后將鑒定出的天然產(chǎn)物分子結(jié)構(gòu)輸入ML模型預(yù)測這些新發(fā)現(xiàn)分子的風(fēng)味類別和強(qiáng)度，以篩選出具有更優(yōu)特性的天然分子香料，具體過程見圖4。

3）預(yù)測植物代謝性狀

基于基因組序列建立預(yù)測模型分析植物性狀或代謝途徑是從植物源頭出發(fā)進(jìn)行風(fēng)味分析的有效手段，已經(jīng)出現(xiàn)相關(guān)研究。Hershberger等結(jié)合全基因組標(biāo)記和全轉(zhuǎn)錄組豐度數(shù)據(jù)，采用了轉(zhuǎn)錄組預(yù)測模型，用于預(yù)測甜玉米粒中類胡蘿卜素和生育色素的性狀。結(jié)果顯示，結(jié)合基因組和轉(zhuǎn)錄組數(shù)據(jù)的預(yù)測模型在某些性狀上優(yōu)于僅使用基因組數(shù)據(jù)的模型；在因果基因的識(shí)別方面，全轉(zhuǎn)錄組關(guān)聯(lián)分析（TWAS）檢測到4 個(gè)因果基因的顯著關(guān)聯(lián)，在通路水平分析中發(fā)現(xiàn)了其他相關(guān)基因，這些發(fā)現(xiàn)為通過生物強(qiáng)化提高甜玉米的營養(yǎng)價(jià)值提供了重要的遺傳基礎(chǔ)。Hu Haixiao等通過整合基因組學(xué)、轉(zhuǎn)錄組學(xué)和代謝組學(xué)數(shù)據(jù)，使用兩核線性模型整合可能的因果位點(diǎn)，解釋少量或無表型變異的位點(diǎn)，同時(shí)在多環(huán)境實(shí)驗(yàn)中，使用多性狀模型結(jié)合多組學(xué)數(shù)據(jù)提高預(yù)測準(zhǔn)確性，最終增強(qiáng)了燕麥農(nóng)藝性狀和種子營養(yǎng)性狀的預(yù)測能力。因此，在研究植物營養(yǎng)成分的過程中，通過明確基因表達(dá)、代謝產(chǎn)物之間的關(guān)系，有助于最終得到新的風(fēng)味分子。

4）鮮味肽的篩選策略

現(xiàn)今大多數(shù)的食物都存在偏甜和偏咸的現(xiàn)象，為降低甜味活咸味程度，同時(shí)不喪失食物中的甜味和鮮味程度，通常會(huì)在食品中添加呈味肽。隨著基因組時(shí)代多肽序列增長迅速，會(huì)對(duì)大量的多肽進(jìn)行篩選，其中鮮味肽因具有較高的營養(yǎng)價(jià)值和風(fēng)味活性，已成為近年來呈味肽研究的一個(gè)熱點(diǎn)。傳統(tǒng)鮮味肽篩選方法包括4 個(gè)階段：粗肽提取，肽的分離純化，肽的篩選鑒定和鮮味肽的合成、驗(yàn)證。但傳統(tǒng)的鮮味肽篩選方法可能會(huì)損失一些高活性肽，阻礙鮮味肽篩選，降低鮮味肽篩選效率，因此隨后引入ML基于肽序列的各種特征向量篩選特定的活性肽片段，實(shí)現(xiàn)生物活性肽的高通量篩選。

圖5展示了基于序列的ML生物肽預(yù)測模型的開發(fā)主要涉及3 個(gè)關(guān)鍵步驟：數(shù)據(jù)收集和處理、數(shù)據(jù)特征提取、模型訓(xùn)練與評(píng)估。Charoenkwan等提出的基于序列的iUmami-SCM預(yù)測器主要基于20 個(gè)氨基酸和400 個(gè)二肽的傾向評(píng)分進(jìn)行設(shè)計(jì)，輸入信息缺少，整體預(yù)測性能不足，隨后研究開發(fā)的iBitter-SCM模型彌補(bǔ)了前者缺陷。Zhang Jingcheng等基于Transformer的BERT開發(fā)了一種名為Umami-BERT的基于氨基酸序列的預(yù)測器，也能夠?qū)崿F(xiàn)鮮味肽的快速篩選?；谏鲜瞿Ｐ徒⒎?wù)器專門用于鮮味肽篩選可提高效率，加速鮮味肽產(chǎn)業(yè)化的發(fā)展。

2.3 基于數(shù)據(jù)庫的風(fēng)味分析

風(fēng)味數(shù)據(jù)庫是高質(zhì)量的味覺和氣味分子數(shù)據(jù)匯聚資源，是儀器測定和分子角度描述的綜合結(jié)果。這些庫中通常包含了分子名稱、特定結(jié)構(gòu)（如SMILES）的分子表示，分子物理化學(xué)特性以及風(fēng)味描述、感官評(píng)價(jià)等信息，其中分子的物理化學(xué)特性可通過軟件（如Dragon軟件）計(jì)算得出。數(shù)據(jù)庫的獲取渠道可以是文獻(xiàn)或整理可獲取的已知風(fēng)味分子庫。這為研究風(fēng)味以及嗅覺、味覺受體作用機(jī)制的人員提供了幫助。

常見并應(yīng)用的風(fēng)味數(shù)據(jù)庫有BitterDB、SuperSweet和FlavorDB。Dagan-Wiener等開發(fā)了一個(gè)基于BitterDB數(shù)據(jù)庫收集苦味分子作為正樣本集，從文獻(xiàn)中收集非苦味分子作為負(fù)樣本集，訓(xùn)練了自適應(yīng)提升（AdaBoost）的分類器BitterPredict預(yù)測化合物是否具有苦味。Bo Weichen等從BitterDB、SuperSweet和FlavorDB數(shù)據(jù)庫收集苦味和甜味分子，使用MLP和CNN揭示了分子苦感的影響因素，也成功通過分子結(jié)構(gòu)預(yù)測了分子味覺。Bo Weichen等從FlavorDB和PubChem中檢索氣味分子數(shù)據(jù)集，通過關(guān)鍵詞“eary”“fresh”“meaty”“musty”“nutty”“spicy”“sulfurous”“woody”和“fruity”搜索有氣味的分子，以及“odorless”搜索無氣味的分子，研究者共收集了2 087 個(gè)有氣味的分子和411 個(gè)無氣味的分子，通過這些分子結(jié)合深度學(xué)習(xí)算法，探索分子結(jié)構(gòu)與氣味之間的關(guān)系，有利于發(fā)現(xiàn)新的氣味分子。其他數(shù)據(jù)庫也有應(yīng)用于風(fēng)味分析，Sharma等通過ODORactor和FlavorDB收集氣味分子，從PubChem數(shù)據(jù)庫獲取無氣味分子，被標(biāo)注為“無氣味/無異味/無嗅/幾乎無氣味/幾乎沒有氣味/無明顯氣味”的分子是通過他們提出的DNN預(yù)測模型手動(dòng)收集得到，成功預(yù)測了分子的不同氣味。Yang Zhengfei等從文獻(xiàn)中手動(dòng)收集Taste DB和LogSw DB兩個(gè)數(shù)據(jù)集，使用DT、KNN、SVM、RF、XGBoost、GBDT和PLS等算法建立一種多層甜味評(píng)估系統(tǒng)，能夠?qū)μ鹞秳┑膩碓础⒔Y(jié)構(gòu)、營養(yǎng)價(jià)值進(jìn)行分類，并定量預(yù)測其甜度。目前公共數(shù)據(jù)集只納入極小部分已知的風(fēng)味分子，大部分分散在眾多文獻(xiàn)報(bào)告中，未得到系統(tǒng)整理，且盡管所提供的信息量足夠，但在使用時(shí)優(yōu)化并提供標(biāo)準(zhǔn)化的合理數(shù)據(jù)是實(shí)現(xiàn)準(zhǔn)確預(yù)測的關(guān)鍵?？傊L(fēng)味數(shù)據(jù)庫可以作為一種便捷手段研究風(fēng)味應(yīng)用。

結(jié) 語

本文綜述了食品風(fēng)味分析中的ML算法，其常見方法涵蓋有監(jiān)督算法、無監(jiān)督算法以及深度學(xué)習(xí)算法。在風(fēng)味分析策略中，介紹了利用的儀器和不同的分子屬性方法以及數(shù)據(jù)庫的利用。先引入幾種常用的分析儀器的原理、優(yōu)勢和風(fēng)味應(yīng)用；在基于分子結(jié)構(gòu)進(jìn)行風(fēng)味分析時(shí)，分子圖像和SMILES符號(hào)是主要的模型輸入對(duì)象；基于分子性質(zhì)的風(fēng)味分析，劃分為性質(zhì)的直接利用與間接利用兩種方式；基于分子序列的風(fēng)味分析，分別闡述了風(fēng)味物質(zhì)化學(xué)合成設(shè)計(jì)、挖掘天然風(fēng)味分子、植物代謝性狀的預(yù)測、鮮味肽的篩選策略四方面的內(nèi)容；在利用數(shù)據(jù)庫進(jìn)行風(fēng)味分析時(shí)，總結(jié)出幾種常見的風(fēng)味數(shù)據(jù)庫及其應(yīng)用。需要注意的是，盡管ML算法已廣泛應(yīng)用于食品風(fēng)味分析過程，但算法在分析時(shí)仍有局限性，對(duì)于不同的風(fēng)味數(shù)據(jù)，例如數(shù)據(jù)類型的不同、數(shù)據(jù)量的多少、數(shù)據(jù)維度的高低，數(shù)據(jù)間的線性或非線性關(guān)系、數(shù)據(jù)中自變量與因變量的模式、風(fēng)味的最終目標(biāo)，需要選用相應(yīng)的算法去分析達(dá)到所需的最佳效果，并非隨意調(diào)用。

對(duì)于ML算法部分，其已憑借出色的處理數(shù)據(jù)能力，在風(fēng)味領(lǐng)域嶄露頭角，為進(jìn)一步提升其在食品風(fēng)味分析中的效能，可采取多種策略。對(duì)于模型選擇的考慮，可以進(jìn)行多模型對(duì)比，挑選更適合預(yù)測風(fēng)味的模型，也可開發(fā)復(fù)合模型以應(yīng)對(duì)更復(fù)雜的風(fēng)味任務(wù)；對(duì)于模型精度的考慮，可以簡化模型復(fù)雜度，使用有效的小數(shù)據(jù)集，訓(xùn)練出更專業(yè)化的模型，但更關(guān)鍵的是要深入探究人類對(duì)風(fēng)味的感知原理，讓算法更好地學(xué)習(xí)模擬人類的感知模式。對(duì)于風(fēng)味分析策略部分，在利用儀器時(shí)，現(xiàn)有技術(shù)與ML算法聯(lián)用已實(shí)現(xiàn)對(duì)食品風(fēng)味的有效分析，未來還可開發(fā)并使用更新的技術(shù)儀器與ML相結(jié)合。在分子研究的層面上，可以探索更多的分子性質(zhì)或結(jié)構(gòu)的表示方法，從而拓寬風(fēng)味研究的渠道；也應(yīng)強(qiáng)化ML與多組學(xué)數(shù)據(jù)的融合分析，深入剖析食品風(fēng)味形成的分子機(jī)制，從而指導(dǎo)育種工作，篩選出更多具有應(yīng)用價(jià)值的食品原成分。此外，借鑒ML在人工分子合成、控制化學(xué)反應(yīng)合成以及利用序列模型篩選目標(biāo)物質(zhì)的成功經(jīng)驗(yàn)，可以指導(dǎo)更多理想風(fēng)味物質(zhì)的精準(zhǔn)合成，通過這些物質(zhì)抑制食品中不良風(fēng)味的產(chǎn)生，或?qū)σ延械牟涣硷L(fēng)味進(jìn)行掩蓋和改善，從而更好地滿足消費(fèi)者多樣化的需求。對(duì)于數(shù)據(jù)庫的利用，目前還存在諸多問題，如數(shù)據(jù)獲取途徑受限、數(shù)據(jù)維度和數(shù)量有限、更新不及時(shí)等，針對(duì)這些問題，應(yīng)該鼓勵(lì)科研人員在發(fā)表文獻(xiàn)時(shí)公開相關(guān)數(shù)據(jù)、豐富數(shù)據(jù)庫的資源，為食品風(fēng)味領(lǐng)域工作者的使用研究提供便捷手段。未來，還可以在現(xiàn)有風(fēng)味分析方法上進(jìn)行拓展研究或是開創(chuàng)更加全新的研究路線，旨在推動(dòng)食品的高質(zhì)量發(fā)展以及食品行業(yè)的產(chǎn)品升級(jí)。

作者簡介

通信作者：

朱丹曄，女，博士、助理研究員，畢業(yè)于西北農(nóng)林科技大學(xué)葡萄與葡萄酒學(xué)專業(yè)，獲工學(xué)博士學(xué)位，博士期間赴美國俄勒岡州立大學(xué)聯(lián)合培養(yǎng)，畢業(yè)同年進(jìn)入中國煙草總公司鄭州煙草研究院從事科研工作，研究方向?yàn)轱L(fēng)味化學(xué)及資源高值化利用。作為項(xiàng)目負(fù)責(zé)人承擔(dān)國家自然科學(xué)基金-青年科學(xué)基金項(xiàng)目、鄭州市優(yōu)秀青年科技人才（博士）培養(yǎng)專項(xiàng)項(xiàng)目、鄭州煙草研究院青年人才托舉工程計(jì)劃項(xiàng)目、國家煙草專賣局（中國煙草總公司）煙草工藝重點(diǎn)實(shí)驗(yàn)室引領(lǐng)計(jì)劃專項(xiàng)科技項(xiàng)目，作為主要完成人參與美國American Vineyard Foundation項(xiàng)目、國家自然科學(xué)基金-面上項(xiàng)目等多項(xiàng)科研項(xiàng)目，發(fā)表論文10余篇，申請(qǐng)專利多項(xiàng)。

喬學(xué)義，研究員，全國評(píng)煙委員會(huì)委員。主要從事煙葉原料、卷煙配方和加工工藝技術(shù)研究。主持和參與中國煙草總公司科技重大專項(xiàng)、重點(diǎn)項(xiàng)目二十余項(xiàng)。獲省部級(jí)一等獎(jiǎng)1 項(xiàng)，二等獎(jiǎng)3 項(xiàng)，三等獎(jiǎng)1 項(xiàng)，授權(quán)專利40余項(xiàng)，發(fā)表論文40余篇，出版本專業(yè)論著5 部。

第一作者：

張超，鄭州煙草研究院2024級(jí)碩士研究生，研究方向?yàn)槭称凤L(fēng)味。

引文格式：

張超, 堵勁松, 劉偉, 等. 結(jié)合機(jī)器學(xué)習(xí)算法的食品風(fēng)味分析策略[J]. 食品科學(xué), 2025, 46(23): 333-346. DOI:10.7506/spkx1002-6630-20250526-171.

ZHANG Chao, DU Jinsong, LIU Wei, et al. A review of strategies for food flavor analysis incorporating machine learning algorithms[J]. Food Science, 2025, 46(23): 333-346. (in Chinese with English abstract) DOI:10.7506/spkx1002-6630-20250526-171.

實(shí)習(xí)編輯：南伊；責(zé)任編輯：張睿梅。點(diǎn)擊下方閱讀原文即可查看全文。圖片來源于文章原文及攝圖網(wǎng)

為匯聚全球智慧共探產(chǎn)業(yè)變革方向，搭建跨學(xué)科、跨國界的協(xié)同創(chuàng)新平臺(tái)，由北京食品科學(xué)研究院、中國肉類食品綜合研究中心、國家市場監(jiān)督管理總局技術(shù)創(chuàng)新中心（動(dòng)物替代蛋白）、中國食品雜志社《食品科學(xué)》雜志（EI收錄）、中國食品雜志社《Food Science and Human Wellness》雜志（SCI收錄）、中國食品雜志社《Journal of Future Foods》雜志（ESCI收錄）主辦，西南大學(xué)、 重慶市農(nóng)業(yè)科學(xué)院、 重慶市農(nóng)產(chǎn)品加工業(yè)技術(shù)創(chuàng)新聯(lián)盟、重慶工商大學(xué)、 重慶三峽科技大學(xué) 、西華大學(xué)、成都大學(xué)、四川旅游學(xué)院、北京聯(lián)合大學(xué)、 中國-匈牙利食品科學(xué)“一帶一路”聯(lián)合實(shí)驗(yàn)室（籌） 共同主辦 的“ 第三屆大食物觀·未來食品科技創(chuàng)新國際研討會(huì) ”， 將于2026年4月25-26日 （4月24日全天報(bào)到） 在中國 重慶召開。

長按或微信掃碼進(jìn)行注冊(cè)

為系統(tǒng)提升我國食品營養(yǎng)與安全的科技創(chuàng)新策源能力，加速科技成果向現(xiàn)實(shí)生產(chǎn)力轉(zhuǎn)化，推動(dòng)食品產(chǎn)業(yè)向綠色化、智能化、高端化轉(zhuǎn)型升級(jí)，由北京食品科學(xué)研究院、中國食品雜志社《食品科學(xué)》雜志（EI收錄）、中國食品雜志社《Food Science and Human Wellness》雜志（SCI收錄）、中國食品雜志社《Journal of Future Foods》雜志（ESCI收錄）主辦，合肥工業(yè)大學(xué)、安徽農(nóng)業(yè)大學(xué)、安徽省食品行業(yè)協(xié)會(huì)、安徽大學(xué)、合肥大學(xué)、合肥師范學(xué)院、北京工商大學(xué)、中國科技大學(xué)附屬第一醫(yī)院臨床營養(yǎng)科、安徽糧食工程職業(yè)學(xué)院、安徽省農(nóng)科院農(nóng)產(chǎn)品加工研究所、安徽科技學(xué)院、皖西學(xué)院、黃山學(xué)院、滁州學(xué)院、蚌埠學(xué)院共同主辦的“第六屆食品科學(xué)與人類健康國際研討會(huì)”，將于 2026年8月15-16日（8月14日全天報(bào)到）在中國 安徽 合肥召開。

長按或微信掃碼進(jìn)行注冊(cè)

會(huì)議招商招展

聯(lián)系人：楊紅；電話：010-83152138；手機(jī)：13522179918（微信同號(hào)）