引言
新鲜度是一个动态的多参数属性，它描述了水产品保持其原始生化、微生物学和感官特性的程度。由于自溶、微生物和化学作用，新鲜度会逐渐下降。评估水产品的新鲜度对于确保食品安全、保护消费者健康、维持产品质量、减少经济损失以及支持法规遵从性和技术进步至关重要。
评估水产品新鲜度的传统方法主要包括感官分析、物理分析、化学分析、微生物分析和酶分析。传统评估方法可能存在主观性、灵敏度低、程序耗时、破坏性以及无法快速和现场检测等局限性。Zhang等人（Zhang et al., 2022）回顾了新兴的传感器和光谱技术，如智能包装指示剂、活性传感器和核磁共振（NMR），这些技术为监测鱼的新鲜度提供了快速、无损且成本效益高的替代方案。尽管这些技术在大规模应用中显示出巨大潜力，但在传感器灵敏度、选择性和算法开发方面仍有挑战。Kundu等人（Kundu et al., 2026）总结了与鱼新鲜度检测相关的主要点、原理、优势、限制以及各种仪器技术的比较研究。先进的无损技术——如生物传感器、光谱学和人工智能（AI）——正在取代传统的主观和耗时的方法，以准确监测供应链中的鱼新鲜度。未来的研究旨在开发便携、成本效益高且智能的系统，以提高食品安全性、减少采后损失并支持可持续渔业。
新鲜度的下降与储存温度和时间显著相关。García等人（García et al., 2022）回顾了用于描述和预测新鲜鱼在储存过程中关键质量指标变化的数学模型，并确定温度是影响质量下降速度的最关键因素。为了评估冷藏储存期间的新鲜度变化，以往的研究通常在受控条件下将鱼肌样本储存不同时间。Lu等人（Lu et al., 2024）使用超高效液相色谱-三重四极杆/线性离子阱复合质谱（UHPLC-QTRAP/MS）进行了靶向代谢组学分析，监测了在0°C不同真空包装条件（0 kPa和-90 kPa）下储存的大西洋鲑鱼的34种营养成分的变化，并鉴定出丙氨酸、肌苷和组氨酸作为鲑鱼新鲜度的生物标志物。Xiang等人（Xiang et al., 2022）将海鲈（Lateolabrax japonicus）鱼片冰冻储存8天，通过无标记蛋白组学分析来识别与新鲜度相关的蛋白质变化。
已经开发出基于基质辅助激光解吸/电离飞行时间质谱（MALDI-TOF MS）的协议来评估鱼的新鲜度。Tom?ala等人（Tom?ala et al., 2024）将普通鲤鱼（Cyprinus carpio）鱼片在0°C、4°C和8°C下储存120小时，利用MALDI-TOF MS研究死亡后的蛋白质变化。Ulrich等人（Ulrich et al., 2017）建立了一种基于MALDI-TOF MS的鳟鱼新鲜度检测方法，他们筛选了褐鳟（Salmo trutta fario）的玻璃体液，并获得了4个能够表征冷藏时间的特征质量谱峰，从而有效区分不同冷藏阶段的鳟鱼。
MALDI-TOF MS有助于在鱼储存过程中发现特征性生物标志物。Deng等人（Deng et al., 2019）将二维凝胶电泳与MALDI-TOF/TOF MS结合使用，鉴定了与冷藏去皮白鱼（Coregonus peled）肌肉新鲜度显著相关的3种差异蛋白。Li等人（X. Li & Bi, 2023）通过分析渗出液而非肌肉组织本身，使用MALDI-TOF MS和HPLC-MS/MS追踪鱼的新鲜度，并鉴定出渗出物中的蛋白质作为质量降解的标志物，证明了监测肌肉渗出物在分子水平上阐明了结构、质地和颜色变化的有效性。
机器学习（ML），作为人工智能（AI）的一个重要分支，已成为处理质谱数据的强大工具。Zhang等人（S. Zhang et al., 2022）分析了经过不同热处理的240个牛奶样本的MALDI-TOF MS谱图，使用14种ML算法，通过支持向量回归（SVR）和随机森林（RF）实现了0.97的预测准确性。Pu等人（Pu et al., 2022）将MALDI-TOF MS与ML结合，筛选了582个纯牛肉和掺假牛肉样本，通过偏最小二乘判别分析（PLS-DA）鉴定出36种热稳定特征蛋白，使用XGBoost获得了1.00（训练集）和0.96（测试集）的分类准确性。González等人（González et al., 2023）使用半监督学习分析了185个鲑鱼血清样本（每个样本529个质谱离子），仅使用25%的标记数据就实现了90%的准确性。Ulrich等人（Ulrich et al., 2017）将MALDI-TOF MS与计算模式识别（ClinProTools 3.0遗传算法）结合，用于评估褐鳟（Salmo trutta）的新鲜度。然而，据作者所知，目前还没有关于将ML与MALDI-TOF MS结合用于评估鱼肌肉组织新鲜度的报道。
大黄鱼（Larimichthys crocea）是中国东南沿海地区特有的重要经济养殖鱼类。新鲜度是决定大黄鱼食品安全性、营养价值和商品等级的核心指标。近年来，已经开发出了多种用于大黄鱼（Larimichthys crocea）肌肉组织质量分析的方法，包括代谢组学（Zhou et al., 2023）、用于检测挥发性胺的气体传感器（J. Shen et al., 2021）、用于预测TVB-N的高光谱成像（Wu et al., 2025）以及肌肉渗出物的MALDI-TOF MS分析（Wang et al., 2022）。
本研究旨在基于机器学习（ML）技术和MALDI-TOF MS的结合，开发定量预测模型来量化新鲜度，该新鲜度与鱼的储存状况相关。以大黄鱼（Larimichthys crocea）作为研究对象，其背部肌肉在4°C下储存不同时间。收集了不同储存期间鱼肌肉样本的感官评估和质量谱数据，并对通过MALDI-TOF MS获得的肌肉组织蛋白质提取物的质量谱数据执行ML模型。通过比较模型的性能来评估其预测鱼新鲜度的有效性。采用SHAP（Shapley加性解释）分析来解释最佳模型，并识别可能与新鲜度下降相关的质量谱特征。进行留一法交叉验证以评估数据划分对模型性能的影响。本研究提供了一种新的方法，将MALDI-TOF MS与ML模型结合，用于评估冷链中大黄鱼肌肉组织的新鲜度。这种工作流程有望为冷链物流中的新鲜度监测提供快速可靠的分析方案，并可扩展到其他易腐水产品。
