调控食品微生物组代谢稳定性实现传统固态发酵白酒的稳定生产

本研究针对传统白酒发酵过程中微生物代谢不稳定的难题，通过多组学与机器学习相结合的三步策略，揭示了初始参数控制、微生物互惠分配和代谢网络冗余三大调控原则。团队发现短期稳定性依赖酵母与乳酸菌(Lactobacilli)的稳态互惠分配，长期稳定性则需优化功能冗余度，为复杂发酵体系的精准调控提供了新范式。

　　

传统发酵食品的风味与品质高度依赖复杂微生物组的协同作用，但这一"黑箱"系统常面临代谢波动大、产品一致性差的行业痛点。以中国白酒(Baijiu)为代表的固态发酵体系尤为典型——其同时糖化发酵的工艺涉及霉菌、酵母和细菌的复杂互作，尽管经验丰富的老师傅能通过调节温度、pH等参数控制发酵，但在密封发酵容器中，初始条件设置的微小差异仍会导致最终产物显著波动。更棘手的是，微生物群落的功能冗余性使得相同代谢功能可能由不同菌种完成，这种"代谢备份"机制虽增强系统韧性，却给精准调控带来挑战。

江南大学与荷兰瓦赫宁根大学的研究团队在《npj Biofilms and Microbiomes》发表的研究中，创新性地采用"工业数据建模-多组学机制解析-实验室验证"的三步策略。首先分析1009批次工业发酵数据建立预测模型，筛选出初始酸度/还原糖比(0.182-0.216)、水分(2.539-3.296)和淀粉浓度(0.079-0.085)三个关键参数；随后通过宏转录组测序和扫描电镜等技术，追踪两批参数相似但产出迥异的发酵过程；最后在模拟发酵体系中验证调控策略。

Unstable fermentation batches caused by abiotic factors
通过高斯模型-PCA分析发现终端参数呈现三峰分布，将发酵结果分为高、中、低三种质量类型。非线性回归模型显示仅30.5%批次可通过初始参数精确预测，表明生物因素对稳定性的关键影响。

Representative two unstable fermentation batches caused by biotic factors
典型批次比较显示，虽然初始参数无差异，但批次B在发酵III期的酸度(3.838%)和乳酸(0.923%)显著高于批次A。随机森林模型证实生物因素对乙醇(~80% MSE)和乙酸(~75% MSE)的影响远超理化参数。

Microbial community assembly patterns of two representative batches
βNTI(β-nearest taxon index)分析揭示群落组装呈现"随机-确定性-随机"的三阶段模式。扫描电镜观察到酵母在II期、细菌在III期形成空间聚集体。

Short-term effect of biotic factors on metabolic functional stability
FPKM分析发现批次B在II-III期有12/14个代谢通路更活跃。结构方程模型显示89.3%的"糖酵解"波动源于组装模式差异，酵母与乳酸菌呈现动态代谢分工——批次A中酵母(Zygosaccharomyces)主导糖酵解(真菌/细菌FPKM比462:1)，而批次B中乳酸菌成主要底物消费者。

Long-term effect of biotic factors on metabolic functional stability
三轮重复补料发酵显示，批次B的代谢功能稳定性指数显著更高(p<0.05)。网络拓扑分析表明批次A虽具有更复杂的代谢网络(节点数多23%)，但批次B在移除<43个节点时表现出更强鲁棒性。

Optimize fermentation stability by regulating initial microbial inoculation
稀释接种实验证实，×5稀释组能平衡稳定性与风味复杂度，其Bray-Curtis距离标准差(0.160)显著低于×50组(0.180)。

该研究建立了复杂发酵体系稳定性的三层调控框架：初始参数比值控制、微生物互惠分配稳态维持、功能冗余度优化。特别值得注意的是，研究者发现代谢网络复杂性并非越高越好——适当降低细菌多样性反而能增强网络鲁棒性。这些发现不仅为传统食品发酵工艺标准化提供了理论依据，其提出的"动态代谢分工"概念对合成微生物群落设计具有普适意义。正如作者在讨论中指出，未来结合约束性代谢模型(如COBRAPy)与微生物组工程，有望实现"时空-组成-功能"三位一体的精准调控，推动传统发酵食品走向智能化生产新时代。