《TRENDS IN FOOD SCIENCE & TECHNOLOGY》：Integrating experiments, machine learning and molecular simulations in the dairy industry: Perspective of flavor and protein-ligand interactions
编辑推荐：
•SVM、GBDT、CNNs及混合算法能够高效预测乳制品风味。•MS与实验的结合已成为基本范式。•在未来几十年中，MD与ML结合的使用将超过单独使用MD。•实验、ML和MS具有变革乳制品行业的潜力。引言作为人们日常饮食的重要组成部分，乳制品的风味显著影响消费者的接受度和市场竞
- •
SVM、GBDT、CNNs及混合算法能够高效预测乳制品风味。
- •
MS与实验的结合已成为基本范式。
- •
在未来几十年中，MD与ML结合的使用将超过单独使用MD。
- •
实验、ML和MS具有变革乳制品行业的潜力。
引言
作为人们日常饮食的重要组成部分，乳制品的风味显著影响消费者的接受度和市场竞争力。吸引人的风味特征不仅能提升产品质量，还能提高消费者满意度。
风味化合物的检测可以通过实验测量实现，例如气相色谱-质谱联用（GC-MS）和气相色谱-嗅闻（GC-O）等（Zeng等，2023）。另一方面，机器学习（ML）也可用于风味的预测和分类（Tseng等，2023；Ji等，2025a；2025b；Quan等，2025）。借助机器学习强大的计算能力，预计可以利用多种机器学习算法分析乳制品的各种风味相关指标（Herrera-Rocha等，2024）。此外，随机森林（RF）模型在有限样本条件下表现可靠，并提供可接受的预测结果（Luan等，2020）。在另一项利用机器学习研究切达奶酪不同成熟阶段特征风味化合物的研究中，研究人员采用合成少数类过采样技术，对成熟阶段数据的小样本集（29个原始数据集）进行重复数据采集。最终生成了一个包含104个数据点的奶酪风味评估数据集用于模型训练（Hao等，2025）。这些发现证实，即使在数据有限的情况下，也可以构建和训练有效的模型，从而实现对乳制品风味的可靠推断和预测。
蛋白质是乳制品的关键成分，牛奶蛋白主要分为酪蛋白和乳清蛋白，分别约占牛奶总蛋白的80%和20%。它们可以通过与风味化合物结合来调节风味感知（Wang等，2024；Han等，2021）。这些相互作用在不同条件和环境下直接影响乳制品的风味特征（Barroso等，2020；Chen等，2023）。分子模拟（MS）依赖于势函数和牛顿运动方程，可以计算牛奶蛋白与风味化合物之间的相互作用力。此外，模拟结果与理化实验方法的结果表现出良好的一致性（Jin & Wei，2024）。
如图1所示，基于Web of Science数据库中过去十年（2015年4月至2026年4月）的相关数据，利用VOSviewer软件构建了乳制品风味研究和蛋白质-配体相互作用领域中与机器学习和分子模拟相关的高频关键词共现图谱。该可视化图谱被分为三个不同颜色标记的聚类。在青色聚类中，"flavor"（风味）与"dairy product"（乳制品）、"volatile compound"（挥发性化合物）和"sensory evaluation"（感官评价）之间的强共现连接，突显了乳制品风味形成机制和感官质量调控机制的核心研究地位。以核心节点"machine learning"（机器学习）为中心，蓝色聚类与"prediction"（预测）、"deep learning"（深度学习）以及支持向量机（SVM）和随机森林（RF）等算法高度共现，反映了智能建模技术在风味预测和质量评估中的广泛应用。橙色聚类以"interaction"（相互作用）为核心节点，紧密连接了"protein-ligand interaction"（蛋白质-配体相互作用）、"experiment"（实验）和"molecular dynamics simulation"（分子动力学模拟）等关键词，重点关注通过分子动力学模拟与体外实验相结合来揭示牛奶蛋白与风味配体之间的内在微观结合机制。三个聚类之间存在广泛的互联关系，揭示了食品风味研究中整合食品科学、人工智能（AI）和计算化学的跨学科发展趋势。
每个节点的大小表示关键词出现的频率，颜色表示不同的研究聚类。节点之间的距离和连接的强度反映了关键词之间的共现程度。
如图2所示，实验（EXP）、ML和MS已成为研究乳制品风味和蛋白质-关键香气化合物相互作用的关键工具。
更为重要的是，它们的整合将显著提高研究效率和准确性。基于此，本研究旨在系统综述两个关键领域的研究现状：(1)乳制品风味，以及(2)调节乳制品风味的蛋白质-配体相互作用。本综述将从EXP、ML、MS以及这三种方法的整合角度展开。通过对这些方面的深入探讨，本文将探讨MS和ML目前面临的机会和挑战，并展望ML与MS结合在蛋白质-配体相互作用预测中的未来发展方向。这一努力旨在推动乳制品行业在风味调控和产品创新方面的进步，从而更好地满足消费者日益多样化的需求。
章节摘要
风味分析
食品风味的形成是一个由原料基质特性、加工技术和基质-风味化合物相互作用共同调节的复杂过程。Sensory evaluation（感官评价）、GC-MS、GC-O和电子鼻等是识别乳制品关键香气化合物最常用的实验技术（图2A）。
乳制品风味分析
已报道了机器学习在食品风味预测中的三个典型应用场景，包括化学结构-活性分析、关键风味化合物筛选和综合风味评价，证明ML是优化食品配方和促进精确风味调控的有力工具（Cai等，2024）。ML算法的示意图如图2B所示。
分子模拟在研究乳制品中蛋白质-关键香气化合物相互作用方面的进展
作为连接宏观性质和微观机制的桥梁，MS技术在乳制品研究中展现出多维度的应用价值。
利用机器学习和分子模拟协同研究乳制品蛋白质-配体相互作用
MS中复杂且耗时的计算尤其适合ML革命，并且已经受到现有ML方法应用的深刻影响。仔细地将ML与MS相结合也意味着后者以假说为中心的方法既得到保持又得到增强，如图4所示。
将ML与MS结合在计算效率、预测能力和泛化能力方面带来收益。这两种方法的结合提供了
机器学习、分子模拟和实验中存在的挑战
机器学习算法能够处理大量复杂数据并提取隐藏的模式和规律（Patil等，2024）。然而，在ML的实际应用中，收集乳制品的全面、准确且有代表性的风味数据并非易事。一方面，分子的复杂性对ML网络的架构和模型训练提出了更高的要求。获取风味数据需要经过培训的感官评定员或专业仪器，
结论
机器学习技术在乳制品风味预测方面具有巨大潜力。SVM、RF、GBDT、CNNs和混合算法在乳制品风味预测中表现出令人满意的效果。EXP与ML的整合将推动乳制品行业的发展和增长。
基于EXP和MS的协同组合，发现氢键、疏水相互作用、范德华力和静电相互作用是主要的驱动力
未引用参考文献
Alexx and Alessandro, 2014; Barroso Da Silva et al., 2020; Chen et al., 2020; Diez-Simon et al., 2019; Dong et al., 2021; Han et al., 2024; Jung et al., 2023; Lim et al., 2022; Siddiqui et al., 2018; Tian et al., 2023; Visalli and Galmarini, 2024; Walsh et al., 2020; Wang et al., 2024; Xu et al., 2026; Yakoubi, 2024.
致谢
本工作得到了上海市科学技术委员会食品技术项目（26SP2810300）、宁夏中央引导地方科技发展资金（2026FRF05008）以及上海市科学技术委员会上海工程技术研究中心（20DZ2255600）的支持。
Juan Huang|Lina Zhou|Ding Ma|Chen Chen|Haiyan Yu|Huaixiang Tian
