基于多技术融合与机器学习的广陈皮陈化风味特征解析及产地年份鉴别研究

本研究针对广陈皮(GCP)陈化过程中风味变化规律不明及市场掺假问题，整合GC-MS、GC-IMS、电子鼻(E-nose)和电子舌(E-tongue)技术，结合化学计量学与7种机器学习模型，系统分析了5个核心产区5-40年陈化GCP的风味特征。研究发现陈化30年时风味物质呈“Λ”型峰值，天马产区(TM)风味最显著；随机森林(RF)模型实现产地100%鉴别和年份96%预测准确率，为高品质GCP鉴别提供了创新方法。

　　

陈皮风味的时光密码：多技术融合破解陈化与产地的科学谜题
作为中国传统药材与食品的瑰宝，广陈皮(GCP)以其独特的理气健脾功效备受推崇，尤以广东新会五大核心产区（茶坑、梅江、东甲、西甲、天马）所产最为珍贵。然而，随着陈化年份的增加，陈皮中复杂的风味物质如何演变？不同产区的风味差异如何量化？市场上愈演愈烈的掺假乱象又该如何应对？这些问题长期困扰着产业与学术界。传统中医理论认为，陈皮陈化过程中，植物组织内的活性成分会通过物理化学和微生物作用逐渐释放，但这一过程的科学证据始终匮乏。

为破解这些难题，来自广东省农业科学院等机构的研究团队在《Food Chemistry》发表了一项突破性研究。他们采用气相色谱-质谱联用(GC-MS)、气相色谱-离子迁移谱(GC-IMS)、电子鼻(E-nose)和电子舌(E-tongue)四种智能感官技术，结合化学计量学方法，对5个核心产区5-40年陈化GCP进行了系统分析，并建立了7种机器学习模型用于产地和年份预测。

关键技术路线
研究团队采集了新会五大产区不同年份（5/10/20/30/40年）的GCP样本，通过GC-MS和GC-IMS鉴定挥发性有机物(VOCs)，电子鼻重点检测W1W（萜烯类）、W2S（醇/醛/酮类）和W5S（广谱）传感器响应，电子舌则量化苦、鲜、甜、酸、涩五种基本味觉。采用偏最小二乘判别分析(PLS-DA)筛选特征VOCs，并构建KNN、MDBN、RF、PLS、SVM、DNN、XGBoost七种机器学习模型进行预测分析。

风味演变的科学图谱
电子鼻与电子舌的协同发现
电子鼻数据显示，W1W传感器（萜烯类）响应最强，W2S（醇/醛/酮）和W5S（广谱）次之，揭示GCP风味以萜烯类为主导。电子舌则捕捉到苦味和鲜味为基底，伴随甜、酸、涩的复杂味觉轮廓。值得注意的是，这些风味指标呈现明显的“Λ”型陈化曲线，在30年陈化时达到峰值。

VOCs的时空轨迹
通过GC-MS/GC-IMS共鉴定出219种VOCs，PLS-DA筛选出43种特征标志物。异丙醇和5-甲基-2(3H)-呋喃酮等化合物被确认为关键陈化标记物。研究发现，陈化年限对风味的影响显著大于产区差异，其中天马产区(TM)样本表现出最强烈的风味特征。

机器学习的高精度鉴别
在七种模型中，随机森林(RF)表现最优：产地鉴别准确率达100%，年份预测准确率96%。模型特征重要性分析证实，异丙醇等top10关键特征具有明确的生物学解释性，为产业应用提供了可靠依据。

结论与行业启示
该研究首次通过多技术融合揭示了GCP陈化过程中“30年风味峰值”的科学规律，证实传统中医关于陈化提升药效的经验认知。建立的机器学习鉴别体系为市场掺假问题提供了快速解决方案，其中RF模型的优异表现尤其适合产业化应用。从更深层次看，这项研究为传统中药材的质量评价建立了“智能感官+化学计量学+机器学习”的新范式，对推动中医药现代化具有示范意义。未来，这些技术组合有望拓展至其他高价值药材的品质管控领域，为中医药国际化提供技术支撑。