高温大曲中微生物组学与机器学习联用揭示氨基酸代谢模式的研究

本研究针对高温大曲（HTD）发酵过程中氨基酸代谢调控机制不明确的问题，通过整合微生物组学与机器学习方法，解析了Saccharopolyspora、Bacillus等6个关键ASVs（扩增子序列变体）与氨基酸代谢的关联，构建了预测精度达R2 0.70-0.95的集成模型，为传统发酵食品质量控制提供了新策略。

　　

在酱香型白酒的酿造过程中，高温大曲（HTD）作为核心发酵剂，其微生物群落与代谢产物的动态变化直接决定了酒体风味。然而，HTD发酵是一个开放、复杂的自发过程，微生物群落结构不稳定导致产品质量波动大，尤其是氨基酸作为关键氮源对HTD品质的影响机制尚未阐明。现有研究虽已鉴定出Bacillus、Lactobacillus等代表性菌属，但微生物与代谢物的协同作用网络仍如“黑箱”。更棘手的是，传统检测方法难以实时监控发酵过程，使得精准调控HTD质量面临巨大挑战。

为解决这一难题，来自天津科技大学（工程研究中心）的研究团队联合国内酒企，在14个HTD发酵车间开展多时间点采样，结合高通量测序和机器学习算法，首次系统揭示了氨基酸代谢的时空规律。该研究发表于《Food Chemistry》，为传统发酵食品的智能化调控提供了范式。

研究采用三大关键技术：1）多组学联用——通过16S rRNA测序解析微生物群落，结合HPLC（高效液相色谱）定量20种氨基酸；2）特征筛选——运用随机森林、XGBoost等算法从357个ASVs中筛选6个关键微生物标记；3）模型构建——以PICRUSt2（微生物功能预测工具）验证代谢通路后，建立氨基酸浓度预测的集成模型。

动态变化分析揭示代谢转折点
研究发现，淀粉含量在发酵前7天从73.13%骤降至58.20%，而还原糖（RS）在翻曲阶段（YF至EF）出现峰值，表明此阶段是糖类转化为氨基酸的关键窗口。温度升至65℃时，Thermoascus等耐热菌显著富集，驱动代谢网络重构。

机器学习锁定核心微生物
通过Spearman相关性分析和三重特征选择，鉴定出Saccharopolyspora ASV14、Bacillus ASV29等6个标记菌，其相对丰度与谷氨酸、亮氨酸等呈强相关（p<0.01）。功能预测显示这些菌株在翻曲阶段（第1-2次）显著激活缬氨酸、异亮氨酸合成通路（KO00290）。

预测模型实现精准调控
基于梯度提升树（GBDT）的集成模型对苯丙氨酸、天冬氨酸的预测R²分别达0.92和0.95。独立验证集测试表明，模型通过监测Virgibacillus ASV57丰度可提前3天预测赖氨酸波动，误差率<8%。

该研究创新性地将微生物生态学与人工智能相结合，不仅阐明了HTD中“微生物-参数-代谢物”的三角互作机制，更建立了可应用于生产实践的预测体系。其方法论可扩展至酱油、豆瓣酱等发酵食品的质量监控，推动传统工艺向数字化转型升级。作者团队特别指出，未来需在更大时空尺度验证模型鲁棒性，并探索关键菌株的定向接种技术。这项研究为传承千年的发酵工艺注入了现代科技基因，实现了“老技艺”与“新算法”的完美碰撞。