非针对性的代谢组学与可解释的机器学习相结合，揭示了用于检测山茶油掺假的处理生物标志物

《Food Chemistry》：Untargeted metabolomics integrated with explainable machine learning reveals processing biomarkers for camellia oil adulteration detection

　　

• •
  非靶向代谢组学和机器学习方法能够检测山茶油中的掺假行为。
• •
  RFECV算法将46个特征压缩为12-17个最佳生物标志物子集。
• •
  XGBoost模型的掺假检测准确率达100%，R2值为0.9715。
• •
  LightGBM方法在早期预警应用中实现了最低的检测限（LOQ）9.24%。
• •
  SHAP分析显示溶血磷脂、黄酮类化合物和氧化脂质是关键标识物。

引言

山茶油是从Camellia oleifera种子中提取的，是东亚和东南亚地区的一种传统高价值食用油。然而，在真实性分析中，关键问题不在于其众所周知的营养成分，而在于加工过程中产生的化学特征。工业山茶油主要通过机械压榨和溶剂提取/精炼生产。冷压榨主要通过机械破碎细胞和液固分离在相对较低的温度下释放油脂，从而限制了热反应。热压榨则在压榨前进行烘烤，这会导致水分流失、组织软化、酶促和非酶促水解、脂质氧化、美拉德反应产生的挥发性物质以及结合酚类的释放或降解。相比之下，溶剂提取依赖于己烷渗透到破裂的种子基质中，然后通过脱胶、中和、漂白和脱臭等精炼步骤进行分离。比较研究表明，不同加工方法对脂肪酸谱的影响有限，但会显著改变次要成分、挥发性化合物、氧化稳定性和极性代谢物（Hu等人，2022b；Zeng等人，2022；Zhang等人，2023）。

这些由加工引起的变化为检测同源掺假提供了化学基础。机械压榨倾向于保留天然极性代谢物和酚类化合物，而烘烤则促进热氧化、水解和挥发性物质的生成。相反，溶剂提取/精炼过程中会在脱胶、脱酸、漂白和脱臭过程中去除或改变磷脂、游离脂肪酸、色素和酚类化合物（Wang等人，2022；Zhu等人，2020）。因此，压榨油和精炼溶剂提取油可能在总体脂质组成上相似，但在低丰度磷脂、氧化脂质、酚酸、黄酮类和挥发性成分上存在差异。这种区别对于掺假检测尤为重要，因为分析的目标不是广泛的营养成分，而是压榨、烘烤、提取和精炼过程中留下的化学痕迹。

一种特别具有挑战性的掺假形式是将低成本的精炼溶剂提取油混入高质量的冷压榨油中。由于这两种油都来源于同一植物，基于主要脂肪酸、整体理化性质或全局脂质指纹图谱的传统鉴别方法往往无法有效区分（Dou等人，2025；Shi等人，2025；Zhu等人，2019）。此外，常用的技术平台也存在实际应用和化学覆盖范围的局限性。GC–MS对挥发性或衍生脂质化合物具有很强的检测能力，但对完整极性代谢物的直接检测能力有限，通常需要衍生化或靶向分析，这限制了大规模真实性研究的效率（Dettmer等人，2007；Shi等人，2025）。NMR具有高重复性和非破坏性，但其相对较低的灵敏度使得在没有高场仪器和大量样本/时间成本的情况下难以检测低丰度的加工标志物（Emwas等人，2019；Zhu等人，2019）。振动光谱技术能够快速筛查，但缺乏分辨微量极性代谢物差异所需的分子特异性；环境电离质谱技术虽然能提供高通量指纹图谱，但在将信号与加工过程关联方面的结构注释有限（Song等人，2025）。基于LC–MS的非靶向代谢组学方法更适合解决这类问题，因为它可以检测受压榨、烘烤、提取和精炼影响的磷脂、氧化脂质、酚类和黄酮类化合物（Dunn等人，2011）。结合机器学习后，这些代谢组学数据不仅可用于分类和定量预测，还可以用于识别最具信息量的过程相关特征（Ding等人，2025；Kang等人，2023）。然而，在实际鉴别工作中仍存在两个方法学难题：首先，单变量过滤器和基于投影的排名方法可以提供有用的初步筛选，但无法单独解决多重共线性问题或保证标志物的简洁性；其次，模型可解释性仍然有待提高；尽管分类器能达到高准确率，却无法阐明其预测背后的化学机制。

为了解决这些问题，本研究通过将非靶向代谢组学与机器学习相结合，建立了一种用于检测山茶油同源加工掺假的集成框架。利用LC–MS/MS技术，我们识别出与加工相关的差异代谢物，并系统比较了五种机器学习模型在分类（掺假类型）和回归（掺假比例）任务上的表现。通过仅使用OPLS-DA/VIP、倍数变化和FDR校正的测试作为初步候选筛选步骤，然后通过递归特征消除和交叉验证（RFECV）去除冗余变量，得到了一个紧凑的生物标志物集合。此外，通过SHAP分析实现了机制可解释性。与基于树的内部重要性度量（如随机森林Gini重要性）不同，后者仅总结平均分割杂质减少量，可能导致对具有多个分割点或相关预测因子的变量产生偏差，而SHAP基于Shapley价值理论，根据效率、对称性、dummy和加法公理将每个预测分配给相关特征（Scott M. Lundberg等人，2020；S. M. Lundberg & Lee，2017；Strobl等人，2007）。这一方法允许在全球范围内进行排名、在样本水平上进行局部归属，并在同一尺度上进行效应方向分析，从而能够将模型决策追溯到具体的化学变化过程。该框架为高价值植物油的真实性鉴定提供了一种新的策略，兼顾了分析准确性、特征效率和化学可解释性，具有广泛应用于其他食品鉴别的潜力。

部分摘要

化学物质和试剂

液相色谱-质谱（LC–MS）级别的甲酸、甲醇和乙腈分别从上海麦克林生化科技有限公司（中国上海）和默克KGaA（德国达姆施塔特）购买。超纯水使用Milli-Q Academic Water Purification System（Millipore，美国）制备。所有其他试剂均为分析级。

样本收集和实验设计

冷压山茶油（CPO）、热压山茶油（HPO）和精炼溶剂提取山茶籽油（R-CSO）

差异代谢物的初步筛选

为了识别后续特征优化的候选差异代谢物，对27个纯油样本进行了初步筛选，使用了OPLS-DA VIP得分、倍数变化（FC）和FDR校正的p值。如表S2所示，有46种代谢物在至少一对比较中同时满足所有三个标准。这种筛选策略旨在作为敏感度导向的候选发现步骤，而不是作为最终标志物选择终点。OPLS-DA得分图

局限性

本研究存在几个局限性。首先，外部验证集来自单一独立来源，并在相同的实验室工作流程下进行处理，因此需要进一步的跨品牌和跨平台验证来测试更广泛的稳健性。其次，基于KNN的缺失值填充策略是针对该山茶油数据集优化的，因此其通用性还需进一步检验。第三，本研究未涵盖...

结论

本研究通过将非靶向代谢组学与机器学习相结合，建立了一个用于检测山茶油同源加工掺假的集成定性和定量框架。利用LC–MS/MS基于的代谢组学技术，鉴定出了126种化合物，并筛选出了46种与加工相关的差异代谢物。RFECV算法将这些代谢物压缩为30个关键特征，随后通过系统评估模型性能确定了17个最佳特征子集。

CRediT作者贡献声明

Tao Du：撰写 – 初稿撰写、软件开发、方法设计、研究实施、数据分析、概念构建。Yuting Wang：研究实施。Mei Wang：研究实施。Ting Liu：研究实施。Bei Gan：研究实施。Tuo Leng：研究实施。Xiaoli Yan：研究实施。Qiang Yu：研究实施。Jianhua Xie：软件开发、研究实施。Yi Chen：撰写 – 审稿与编辑、监督、概念构建。

利益冲突声明

作者声明没有已知的财务利益冲突或个人关系可能影响本文的研究结果。

致谢

本研究得到了
中国国家自然科学基金（32572485）、南昌大学青年人才培养资助计划项目（XX202506030042）、江西省地方科技发展引导基金（20252ZDD020002）以及
南昌大学食品科学与资源国家重点实验室研究项目（SKLF-ZZB-202541）的财政支持。

Tao Du|Yuting Wang|Mei Wang|Ting Liu|Bei Gan|Tuo Leng|Xiaoli Yan|Qiang Yu|Jianhua Xie|Yi Chen