《Frontiers in Nutrition》：Multidimensional characterization of vegetable breads using multisource intelligent sensory technologies and feature-level data fusion
编辑推荐：
背景：食品感官质量是多维度的，单一智能感官技术无法同时表征颜色、味道和气味等多个维度。多源智能感官分析结合数据融合为客观表征多维食品感官特性提供了一种途径。方法：研究人员采用电子眼（electronic eye）、电子舌（electronic tongue）和
背景：食品感官质量是多维度的，单一智能感官技术无法同时表征颜色、味道和气味等多个维度。多源智能感官分析结合数据融合为客观表征多维食品感官特性提供了一种途径。方法：研究人员采用电子眼（electronic eye）、电子舌（electronic tongue）和超快速气相色谱电子鼻（ultrafast gas chromatography electronic nose），对对照面包（CK）及添加南瓜（PU）、葛根（Pueraria thomsonii，PG）、红辣椒（RP）和芹菜（CE）制备的四种蔬菜面包进行分析。这些仪器分别提供颜色、味觉响应和挥发性化合物信息。研究人员使用主成分分析（principal component analysis，PCA）、差异峰筛选和基于双柱保留指数（retention index，RI）匹配的初步鉴定来比较不同配方间的特征。随后，保留每个单模态数据集的主成分用于特征级数据融合（feature-level data fusion），并进一步进行PCA。结果：蔬菜汁在面包中产生了独特的颜色、味觉响应和挥发性化合物特征。电子眼前三个主成分解释了91.95%的方差。PU以强黄色和鲜艳黄色为主，RP呈现明显的橙黄色外观，CE保留绿色色调。电子舌前两个主成分解释了90.03%的方差。PG表现出相对较高的鲜味和苦味响应指数，而CE表现出相对较高的咸味响应指数。电子鼻数据前五个主成分解释了82.89%的方差，初步鉴定出17种挥发性化合物。PG对几种与发酵相关的挥发物表现出较高的响应。在现有分析条件下，仅在RP中检测到一个初步鉴定为丙酮的峰，而初步鉴定为月桂烯和β-水芹烯的峰在CE中表现出显著响应。特征级数据融合后，前三个主成分解释了80.78%的方差。载荷分析表明，来自电子眼、电子舌和电子鼻的多个潜在变量共同促成了对配方的多维表征。结论：添加不同蔬菜汁制备的面包在颜色、味觉响应特征和挥发性化合物特征方面表现出明显差异。多源智能感官数据的特征级融合能够在统一的分析框架内联合表示这三个仪器维度的信息，为蔬菜面包的多维表征提供了方法学框架。
食品感官特性本质上具有多维性，颜色、气味和味觉共同影响人们对食物的感知。传统感官评价虽能直接反映人类体验，但结果易受评价人员经验、生理状态和环境条件影响，尤其在样品量大或差异细微时稳定性和重复性不足。仪器化感官技术可提供客观补充信息，电子眼（electronic eye）、电子舌（electronic tongue）和电子鼻（electronic nose）分别表征颜色、味觉和挥发性化合物。然而，单一智能感官技术通常只能捕获样本变异的一个维度，难以全面描述食品多维感官差异。数据融合可在统一分析框架内整合不同平台的特征，已有研究将其用于茶、药材等食品的多维表征。面包基质相对稳定、加工体系可控，适合比较不同蔬菜配料的影响；当基础配方和加工条件固定时，以不同蔬菜汁替代水作为液体组分，可在同一面包加工框架内比较其效应。蔬菜汁进入面团后，其引入的化合物还会受面团基质、发酵和烘焙影响，因此最终感官特征无法直接由原料蔬菜推断。为此，研究人员以南瓜（PU）、葛根（PG）、红辣椒（RP）、芹菜（CE）蔬菜汁面包及对照面包（CK）为对象，在统一配方和加工条件下，采用电子眼、电子舌和超快速气相色谱电子鼻（ultrafast gas chromatography electronic nose）分别获取颜色、味觉响应和挥发性化合物信息，并利用特征级数据融合（feature-level data fusion）实现多维联合表征。该研究不假设仪器响应与人类感官直接等同，其意义在于为蔬菜烘焙产品的客观多维表征提供方法学框架。
研究人员共制备5个配方，每配方3个独立生产批次，共15个匹配批次；使用电子眼采集面包切面色码，电子舌测量7个传感器响应，超快速气相色谱电子鼻通过双柱色谱获得挥发性峰。关键方法包括：对电子眼数据进行低丰度色码过滤和自动标度后主成分分析（principal component analysis，PCA）；对电子舌传感器响应进行热图、PCA和效应量计算；对电子鼻97个有效峰进行ln(1+x)变换、自动标度和无监督PCA，并采用Fisher分数排序差异峰、基于双柱保留指数（retention index，RI）匹配进行挥发性化合物初步鉴定。特征级融合时，分别对三类单模态数据做PCA，按累积解释方差≥80%保留主成分，并对各模态得分矩阵进行Frobenius范数归一化，然后按生产批次对齐拼接，对拼接矩阵再次进行PCA。
研究结果保留原文各个小节如下：
3.1 电子眼分析
电子眼图像显示，CK为近白色略带浅黄，PU呈明亮黄色，PG较暗且呈灰黄，RP为橙黄色，CE为黄绿色。电子眼量化结果表明，24个色码均存在显著配方效应（FDR校正p<0.05）。PU以强黄色（占43.48%）和鲜艳黄色（占10.88%）为主；RP以中度橙黄、中度黄和强黄为主，其中橙黄色码的a
*值较高；CE以中度黄为主，并含灰绿黄，a
*值为负，说明保留绿色调。PCA前三个主成分解释91.95%方差，各配方批次间颜色一致性高，PU、RP、CE在PCA空间中分区明显，CK与PG较接近但可区分。
3.2 电子舌分析
7个传感器的响应均存在显著配方效应（FDR校正p<0.01）。PCA前两个主成分解释90.03%方差，5个配方在得分图中区域不同。Taste Ranking结果表明，PG的鲜味和苦味响应指数相对较高（8.9和9.3），甜味响应较低；CE咸味响应指数较高（8.2）；RP甜味响应较高（8.7）、酸味响应较低；CK酸味、涩味和甜味响应较高。这些指数仅用于相同味觉属性内的配方比较，并非人类味觉强度的直接度量。
3.3 电子鼻分析
MXT-5和MXT-1701双柱色谱图显示各配方共有峰较多，但峰数和响应强度在多个保留时间区域存在差异。无监督PCA基于97个有效峰，前五个主成分解释82.89%方差；PG、CK、CE在PC1-PC2平面分区明显，而PU和RP重叠较多。基于Fisher分数前20个峰的探索性PCA中，前两个主成分解释82.66%方差，PG与乙醇、异丁醇、3-羟基-2-丁酮、异戊醇、乙醛等峰关联；CE与戊醛、1-庚醇及初步鉴定为(?)-反式玫瑰醚的峰关联；RP与初步鉴定为丙酮的峰关联。双柱RI匹配初步鉴定17种挥发性化合物；12种在所有15批中均有检出且峰值面积存在显著配方效应。PG对乙醇、异丁醇、3-羟基-2-丁酮、异戊醇和乙醛等发酵相关挥发物响应较高；丙酮峰仅在RP中检出；月桂烯和β-水芹烯在CE中响应显著较高。所有化合物鉴定均为初步，未使用质谱或标准品确认。
3.4 基于特征级融合的PCA
按预设累计解释方差≥80%，保留电子眼前3个PC、电子舌前2个PC、电子鼻前5个PC进行特征级融合。融合后前三个主成分解释80.78%方差，各配方批次内一致性良好。载荷分析显示，融合PC1和PC2均由来自三类仪器的多个潜在变量构成；味觉PC2、嗅觉PC1对样品的分离贡献较大，三类模态的潜变量对不同配方的表征权重不同，说明特征级融合能在统一数据空间内联合表示颜色、味觉和挥发性信息。
讨论与结论
讨论部分指出，颜色差异可能与蔬菜天然色素及其热稳定性有关，例如南瓜类胡萝卜素、红辣椒色素在烘焙中可能发生降解/异构化、芹菜叶绿素可能脱镁降解，但研究人员未直接测定面包中色素，这些解释仅为文献基础上的可能性。电子舌响应差异可能与葛根多酚、芹菜游离氨基酸等水溶性成分有关，但未定量验证。PG中多种发酵相关挥发物高响应可能反映发酵代谢的配方相关差异，具体机制需进一步研究。本研究的局限性包括：每配方仅3个独立批次，PCA和融合结果应视为探索性；仪器响应不等于人类感官；挥发性化合物仅通过双柱RI初步鉴定，未用质谱确认；蔬菜汁的化学组成未标准化也未同步测定。研究结论为：添加不同蔬菜汁的面包在颜色、味觉响应特征和挥发性化合物特征上表现出明显差异；特征级数据融合将三类仪器信息整合到统一数据空间，为蔬菜面包的多维表征提供了方法学框架。
