综述：园艺作物代谢组学网络资源的应用

这篇综述系统梳理了园艺作物代谢组学研究中的网络资源（如KEGG、PMN等数据库）及其与机器学习（ML）的协同应用，重点探讨了代谢物鉴定、通路分析和多组学整合的挑战与前景，为提升作物品质育种和农业可持续发展提供数据支持。

　　

代谢组学与园艺作物研究的变革力量

代谢组学作为后基因组时代的关键技术，通过全面分析植物代谢物（如番茄、黄瓜中的风味物质），揭示了园艺作物产量、品质和抗逆性的分子基础。LC-MS（液相色谱-质谱联用）和GC-MS（气相色谱-质谱联用）技术的进步，结合KEGG、PlantCyc等数据库，使研究者能精准解析代谢网络。

关键数据库与工具的创新应用

METASPACE-ML通过机器学习优化假阳性过滤，显著提升低丰度代谢物检出率；LipidSig 2.0则实现脂质组学数据的自动化注释和网络分析。值得注意的是，CropMetabolome构建了59种作物的参考代谢组，类似基因组中的"参考基因组"，为跨物种比较提供基准。

代谢物注释的瓶颈突破

传统依赖化学标准品的局限正被计算工具打破：SIRIUS4通过碎片树预测结构，RT-Transformer则利用深度学习预测保留时间。例如，番茄品种特异性代谢物数据库TOMATOMET整合7118个精确质量值，加速了风味改良研究。

多组学整合与农业应用

PaintOmics 4实现代谢组与转录组数据在KEGG通路上的共可视化，而OmicsSuite为园艺育种提供从原始数据到出版级分析的一站式解决方案。在香蕉、木薯等热带作物中，代谢组多样性分析揭示了22类化学物质，远超马铃薯的10类，为营养强化育种指明方向。

未来挑战与智能化趋势

尽管FAIR（可查找、可访问、可互操作、可重用）原则逐步普及，但异构数据整合仍是难题。新兴的MetaClean等AI工具通过自动过滤噪声峰，将注释准确率提升30%，预示着"智能代谢组学"时代的到来。

（注：全文严格基于原文内容缩编，未添加非文献依据的结论）