机器学习结合GC-MS揭示切达干酪不同成熟期风味特征物质的产地独立性

为解决切达干酪风味成分复杂、产地差异大导致成熟期评估困难的问题，研究人员通过GC-MS结合机器学习（ML）筛选出14种关键风味物质（酮类、酸类和内酯类），建立随机森林（RF）模型实现100%准确率预测成熟期，首次证实不同产地切达干酪风味形成机制的一致性，为品质控制提供新方法。

　　

奶酪的风味一直是食品科学领域的“未解之谜”，尤其是切达干酪这类成熟期长达数月的发酵乳制品。不同产地的切达干酪因菌种、工艺差异，其风味成分可能相差178倍，传统感官评价又存在主观性强、成本高等问题。更棘手的是，过去研究对关键风味物质的认定存在争议——究竟是链醛类（Strecker aldehydes）还是吡嗪类（pyrazine）化合物主导了坚果风味？这种混乱让奶酪生产商难以制定统一的质量标准。

中国海洋大学食品科学与工程学院的研究团队另辟蹊径，将气相色谱-质谱联用技术（GC-MS）与机器学习（ML）结合，首次系统揭示了切达干酪在6-12°C成熟过程中不受产地影响的14种核心风味物质。这项发表在《Food Research International》的研究，为奶酪行业提供了客观评估成熟期的“风味标尺”。

研究人员首先收集了英国、爱尔兰、澳大利亚等不同产地、3-12个月成熟期的商业切达干酪样本，通过GC-MS检测出66种挥发性风味物质。采用六种机器学习分类器比较发现，随机森林（RF）模型对成熟期的预测准确率高达100%。通过递归特征消除（RFE）算法，从66种物质中锁定14种关键成分，包括2-庚酮（2-heptanone）、δ-癸内酯（δ-decalactone）等酮类和内酯类物质。SHAP交互值分析进一步揭示：仅需检测5种特定物质（如乙酸浓度>2.35 mg/kg）即可判断成熟阶段。

研究亮点在于验证了模型的普适性。当用未参与训练的英国、爱尔兰产奶酪测试时，模型仍能准确识别其成熟期，证明这些风味物质的形成机制具有跨产地一致性。这打破了“不同菌种必然导致风味差异”的传统认知，为标准化生产提供了理论依据。

技术方法上，研究采用GC-MS进行风味物质检测，结合随机森林（RF）、支持向量机（SVM）等六种机器学习算法建模，通过递归特征消除（RFE）筛选关键变量，并利用SHAP值解释模型决策逻辑。所有商业奶酪样本均采购自京东全球购，涵盖3-12个月不同成熟期。

主要结论包括：

1. 模型构建：RF模型在六种机器学习算法中表现最优，成熟期预测准确率100%。
2. 特征物质：14种酮类、酸类和内酯类物质被确定为跨产地共性标志物，其中5种（如δ-十二内酯）浓度与成熟期呈强相关性。
3. 机制突破：SHAP分析显示，乙酸和2-壬酮（2-nonanone）的交互作用是判断9个月成熟期的关键阈值。
4. 应用验证：模型成功预测英国/爱尔兰商业样本的成熟期，误差<±1个月。

这项研究的深远意义在于：首次通过数据驱动方法揭示了切达干酪风味形成的“最大公约数”，使工业化生产中的成熟期监控从经验判断迈向精准预测。未来，基于这些标志物开发的快速检测技术，或将帮助奶酪制造商减少6-12个月成熟过程中的质量波动，也为其他发酵食品的风味研究提供了ML+GC-MS的新范式。正如通讯作者Lanwei Zhang在讨论中指出：“这项研究证明，尽管奶酪风味看似复杂，但其核心化学逻辑可能比我们想象的更简洁。”