基于电子鼻、HS-GC-IMS、HS-SPME-GC-MS和深度学习模型的不同焙烤条件下带壳核桃仁挥发性有机物变化与含量预测研究

为解决带壳核桃仁（ISWK）焙烤过程中挥发性有机物（VOCs）动态变化机制不明的问题，研究人员综合运用定量描述分析（QDA）、电子鼻（E-nose）、顶空固相微萃取-气相色谱-质谱联用（HS-SPME-GC-MS）、顶空气相色谱-离子迁移谱（HS-GC-IMS）及反向传播神经网络（BP-ANN）技术，系统解析了不同焙烤条件（温度110–160?°C，时间0–90?min）下VOCs的组成特征。研究发现140?°C焙烤60?min为最优工艺，鉴定出76种（HS-SPME-GC-MS）和47种（HS-GC-IMS）VOCs，以醛类、酮类、醇类和酯类为主（占比80%），并筛选出1-丙硫醇、2-丁酮等关键标志物。BP-ANN模型预测准确率达0.9448，为核桃焙烤工艺优化提供了数据支撑。

　　

核桃因其丰富的营养和独特风味成为全球重要的坚果作物，其中新疆薄壳核桃因壳薄仁大备受消费者青睐。焙烤作为核桃加工的主要方式，能通过美拉德反应和脂质氧化等途径显著提升其香气品质。然而，带壳核桃仁（In-shell walnut kernels, ISWK）在焙烤过程中挥发性有机物（Volatile Organic Compounds, VOCs）的动态变化规律尚不明确，尤其是薄壳品种的壳内生物活性物质是否影响核仁风味仍属未知。此外，传统感官评价易受主观偏差影响，亟需结合现代分析技术实现客观表征。为此，西北农林科技大学食品科学与工程学院的研究团队在《Food Chemistry》发表论文，通过多技术联用揭示了ISWK焙烤过程中VOCs的演化机制。

研究采用定量描述分析（Quantitative Descriptive Analysis, QDA）、电子鼻（Electronic nose, E-nose）、顶空固相微萃取-气相色谱-质谱联用（Headspace Solid-Phase Microextraction-Gas Chromatography-Mass Spectrometry, HS-SPME-GC-MS）、顶空气相色谱-离子迁移谱（Headspace-Gas Chromatography-Ion Mobility Spectrometry, HS-GC-IMS）等技术，结合反向传播人工神经网络（Backpropagation Artificial Neural Network, BP-ANN）模型，系统分析了110–160?°C焙烤0–90?min的ISWK样本。

外观和QDA分析
色度测定显示，随着焙烤温度升高（120–160?°C），ISWK的L值（亮度）显著降低，a值（红绿色度）升高，表明核仁颜色加深并呈现红褐色。QDA结果表明140?°C焙烤60?min的样本具有最佳焦香和坚果香，感官评分最高。

电子鼻与仪器分析
E-nose的PCA分析有效区分了不同焙烤条件的样本。HS-SPME-GC-MS检测到76种VOCs，HS-GC-IMS鉴定出47种，其中醛类（如己醛）、酮类（如2-丁酮）、醇类（如1-戊醇）和酯类占总量的80%。关键标志物分析发现，1-丙硫醇和乙醇可作为焙烤时间标志物，2-甲基丙醛和环戊酮则与温度显著相关。

深度学习模型构建
基于VIP筛选的15种关键VOCs，BP-ANN模型预测VOCs含量的准确率达0.9448，表明该模型可有效预测焙烤过程中的风味变化。

研究结论表明，140?°C焙烤60?min是ISWK风味优化的最佳条件，多技术联用策略为坚果焙烤工艺提供了全新研究方法。BP-ANN模型的成功应用，标志着人工智能在食品风味预测领域的实用化进展。该成果不仅为核桃加工产业提供了精准工艺参数，也为带壳坚果的风味形成机制研究提供了范式。