利用挥发性风味组学与深度学习预测消费者对烘焙披萨中马苏里拉奶酪的接受度

《International Dairy Journal》:Predicting consumer acceptance of mozzarella cheese in a baked pizza application using volatile flavoromics and deep learning

【字体: 大 中 小 】 时间:2026年08月01日 来源:International Dairy Journal 3.1

编辑推荐:

  •共鉴定出107种挥发性化合物,其中30种在至少一种产品中的气味活性值≥1。•未烘烤状态下的挥发性化合物含有有关披萨烘烤后消费者喜好度的预测信息。•ResMLP模型的表现最佳,SHAP分析显示酸类和酯类特征较为突出。 引言 作为全球消费最广泛、工业化程度最高的奶酪品种之一,马苏

  •共鉴定出107种挥发性化合物,其中30种在至少一种产品中的气味活性值≥1。•未烘烤状态下的挥发性化合物含有有关披萨烘烤后消费者喜好度的预测信息。•ResMLP模型的表现最佳,SHAP分析显示酸类和酯类特征较为突出。

引言
作为全球消费最广泛、工业化程度最高的奶酪品种之一,马苏里拉奶酪凭借其独特的融化性和延展性、烘烤时的上色特性以及温和的奶油味,已成为披萨和烤米饭等食品中不可或缺的核心原料(Ah & Tagalpallewar, 2017; Canelo-álvarez et al., 2023)。随着全球餐饮业的持续发展以及对便捷乳制品需求的增加,马苏里拉奶酪的质量评估与优化越来越受到重视。在工业生产和产品开发过程中,含马苏里拉奶酪的食品能否被市场接受,不仅取决于奶酪本身的固有特性,还与加工后的消费者感知密切相关。然而,对烘烤后马苏里拉奶酪产品的感官评价仍主要依赖消费者测试,这种方法成本高昂、耗时较长,且难以大规模用于商业产品或生产批次的筛选(Robin et al., 2011)。消费者接受度的复杂性给高效的质量控制和产品开发带来了挑战。与传统物理化学指标不同,消费者的喜好是一种综合感知,由香气、味道、质地、外观以及与加工相关的功能特性等多重感官维度共同决定。因此,开发标准化的仪器辅助方法,识别出更可能获得消费者认可的样品,能够补充传统的感官评价,有助于在早期阶段对产品进行筛选。

目前,关于马苏里拉奶酪风味的研究大致可分为两类,二者存在明显差异。第一类研究聚焦于未烘烤状态的马苏里拉奶酪本身,采用高灵敏度的分析技术,如顶空固相微萃取结合气相色谱-质谱法(HS-SPME-GC-MS),系统地识别和定量未烘烤马苏里拉奶酪中的挥发性有机化合物。这些化合物包括构成奶酪风味的酸类、醛类、酮类、酯类和内酯类等(Hayaloglu & Karabulut, 2013; Yang et al., 2025)。这类研究大大推动了马苏里拉奶酪挥发性成分及香气的表征工作。不过,很少有研究探讨烘烤前测得的挥发性成分谱能否用于预测标准化烘烤产品后的消费者接受度。第二类研究则着眼于奶酪产品的感官感知和消费者偏好。以往的研究已经确定了与消费者喜好相关的感官属性,并探索了奶酪成分、挥发性成分谱与感官特性之间的关联(Pagliarini et al., 1997; Torri et al., 2021)。此外,机器学习方法也被用于从仪器测量数据中预测感官属性,证明了数据驱动型感官评价的可行性(Curto et al., 2020; Granitto et al., 2007)。然而,大多数现有研究仅侧重于预测特定的感官属性或描述香气特性,而将马苏里拉奶酪烘烤前的挥发性成分谱与最终烘烤产品的消费者接受度联系起来的预测框架仍然相对有限。因此,本研究在ResMLP模型和SHAP可解释性框架的基础上,将未烘烤马苏里拉奶酪的挥发性成分谱与标准化烘烤披萨样品的消费者整体喜好度相结合,拓展了以往的化学-感官及机器学习研究。本研究的创新之处不在于使用了化学分析或机器学习技术本身,而在于将烘烤前的挥发性成分谱与标准化烘烤后的产品整体喜好度相联系,同时通过化学分类的ResMLP建模与SHAP解释相结合,为在正式消费者测试之前对候选产品进行排序提供支持。

机器学习,尤其是深度学习的发展,为分析食品系统中化学测量值与感官反应之间的高维非线性关系提供了新方法(Y. Li et al., 2025; Liu et al., 2023)。在食品行业质量控制领域,深度学习已被应用于检测农产品中的杂质以及质量指标的回归分析等任务,展现出从复杂食品基质中提取关键质量信号的能力(Bian et al., 2026; X. Zhang et al., 2026)。与传统机器学习方法如偏最小二乘回归和支撑向量机不同,深度学习模型不需要大量的人工特征工程,能够自动从高维化学数据中学习分层的非线性特征表示,从而更有效地捕捉挥发性化合物与消费者偏好之间的复杂非线性映射关系(Schreurs et al., 2024; Yuan et al., 2025)。类似的高维隐含偏好建模和主观排名建模方法,在用户兴趣预测和无参照主观质量评价等任务中也展现出了强大的能力(N. Li et al., 2025; Shang et al., 2025)。在食品感官预测领域,以往的研究已成功运用人工神经网络等模型来预测啤酒的感官可接受度,或建立奶酪感官属性与化学成分之间的预测关系(Gonzalez Viejo et al., 2019; Granitto et al., 2007; Zhang et al., 2020)。在乳制品研究方面,Curto等人(2020)成功利用多层感知器神经网络结合近红外光谱数据,准确预测了奶酪的19项感官属性,进一步验证了神经网络在乳制品感官评价任务中的有效性。

残差多层感知器(ResMLP)是一种由多层感知器模块和残差连接构成的前馈神经架构(Touvron et al., 2022)。多层感知器模块能够实现输入特征之间的信息交换,而残差连接则保留原始特征信息,便于其在网络中传播。这种结构有助于提高训练稳定性,并支持在高维数据集中表示非线性关系。对于挥发性化合物数据,可以根据化学类别对特征进行分组,使模型能够学习不同挥发性类别内部及之间的特征信息。这些特点使得ResMLP有望用于建模复杂的挥发性成分谱与消费者反应之间的关系。

在利用深度学习模型研究化学-感官关系时,可解释性也非常重要。沙普利加性解释法(SHAP)基于沙普利值,将模型预测结果分解为各个输入变量的贡献度(Lundberg & Lee, 2017)。SHAP值的大小反映了某特征对模型预测的贡献程度,其符号则表示该特征是提高了还是降低了预测值。因此,SHAP可用于识别对模型输出贡献最大的挥发性成分类别和具体化合物。

基于以上内容,本研究旨在:(1)利用HS-SPME-GC-MS技术获取22种市售马苏里拉奶酪的挥发性成分;(2)评估含有不同马苏里拉奶酪样品的标准化烘烤披萨产品的消费者接受度;(3)构建基于ResMLP的风味组学分析框架,研究未烘烤马苏里拉奶酪的挥发性信息是否能为烘烤后的消费者接受度提供预测依据。该研究并非要取代感官评价,而是作为一种早期筛选策略。对于那些已具备气相色谱-质谱分析能力的 product开发或质量控制实验室而言,这一工作流程有助于对候选产品或配方进行排序,进而挑选出少量样本进行进一步的消费者测试。通过将挥发性成分分析与基于深度学习的预测及模型解释相结合,本研究为在烘烤奶酪产品中建立仪器检测得到的风味信息与消费者反应之间的关联提供了初步框架。未来若能进一步纳入成分特性、烘烤功能以及特定感官属性的相关数据,或许能进一步提升模型的稳健性和适用性。

样本描述
共从京东和淘宝购买了22种市售马苏里拉奶酪产品,将其编号为MC-1至MC-22。这些产品来自中国、美国、英国、瑞士、新西兰和丹麦。产品的相关信息,包括原产国以及标签上标注的能量、蛋白质、脂肪、碳水化合物、钠和钙的含量,总结在表S1中。由于这些数据来自产品标签,而非通过实验测量得出。

通过HS-SPME-GC-MS鉴定出的22种不同马苏里拉奶酪的挥发性化合物
如表S2所示,HS-SPME-GC-MS分析在22种马苏里拉奶酪样本中共鉴定出107种化合物,其中包括15种酸类、15种醛类、22种醇类、16种酮类、11种酯类、7种内酯类、10种烃类以及11种其他化合物。其中,有21种化合物在半数以上的样本中被检测到,其中包括7种酸类和5种酮类;还有6种化合物——乙酸、丁酸、己酸、辛酸、癸酸和非壬醛——在所有样本中都有出现。如图S2A所示,这些化合物的比例……

结论
本研究表明,在当前的产品系列和标准化的披萨应用场景下,未烘烤马苏里拉奶酪的挥发性成分谱包含有助于估算烘烤后整体喜好度的信息。在22种商业产品中,初步鉴定出107种挥发性化合物,其中有30种在至少一种产品中的气味活性值≥1。在所评估的四种回归方法中,ResMLP在当前的内部评估条件下产生了最低的预测误差。

CRediT作者贡献声明
Bei Wang:写作——审阅与编辑、监督、项目管理、资金获取。Xiran Wang:写作——初稿撰写、可视化、方法设计。Yundong Wang:写作——初稿撰写、方法设计。Yunhan Duan:监督、形式分析、概念构思。Haisheng Li:监督、资源协调。Haoze Yu:写作——审阅与编辑、形式分析。

未引用参考文献
Li et al., 2025; Zhang et al., 2026.

利益冲突声明
作者声明不存在与本研究相关的利益冲突。

数据可用性声明
本文中所涉及的用于支持结论的原始数据,可在合理请求下向相应作者获取。

伦理声明
本研究涉及人类受试者的实验已获得北京科技商务大学研究伦理委员会的批准,批准编号分别为2024年的第63号和第64号。

利益冲突声明
作者声明不存在任何可能影响本研究结果的已知财务利益或个人关系。

致谢
本研究得到了中国内蒙古国家乳品技术创新中心的支持(编号:19000732519)。

Xiran Wang|Yundong Wang|Yunhan Duan|Haisheng Li|Haoze Yu|Bei Wang
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号