《Microchemical Journal》：A stability-guided interpretable learning method for robust coffee volatilomics analysis
编辑推荐：
•参考物的选择改变了咖啡挥发性标记物的方向和排名。•稳定的对数比值在留出的咖啡品种中保持了区分能力。•比值预测对共同参考的偏移具有不变性。•一个二酮比值在55.6%的稳定性引导的重拟合中重复出现。引言咖啡香气来源于化学多样的挥发性基质，其组成受遗传背景与地理来源、采收后处理、
- •
参考物的选择改变了咖啡挥发性标记物的方向和排名。
- •
稳定的对数比值在留出的咖啡品种中保持了区分能力。
- •
比值预测对共同参考的偏移具有不变性。
- •
一个二酮比值在55.6%的稳定性引导的重拟合中重复出现。
引言
咖啡香气来源于化学多样的挥发性基质，其组成受遗传背景与地理来源、采收后处理、烘焙以及饮品制备方式的影响。近期对1132份阿拉比卡咖啡进行的大规模VOC指纹研究表明，挥发性模式携带遗传谱系与产地相关信息[1]，而近期的分析综述强调，咖啡挥发组学受基质复杂性与分析工作流的显著影响[2]。烘焙过程持续重塑醛类、酮类、呋喃及其他香气活性类化合物，这些化学变化与感官品质发展同步[3]。采收后的发酵与初加工进一步改变前体环境并影响最终的挥发性谱[4]、[5]。这种化学变异性使得标记物的定义尤为重要：一个有用的标记物应当描述挥发性混合物中可重复的特征，而非因混合物度量方式不同所产生的表观变化。
从挥发性指纹到化学标记物的转变，是色谱在该应用中的核心所在。指纹可通过分布在众多峰上的信息进行咖啡区分，而标记物则要求在再次测量时仍保持可识别的含义。近期SPME–GC–MS代谢组学研究借助化学计量筛选提名了咖啡鉴真用挥发性标记物[6]，多模态气相色谱研究也鉴定出紧凑的产地相关挥发性特征集合[7]。这些应用对单个变量的要求比对整体谱图分类器更高：候选标记物应在另一个样本集或分析背景中重新测量时仍具可解释性。无论在鉴真还是产地鉴别中，该可解释性均取决于所记录的混合物如何转换为用于比较的变量。
一维气相色谱已在咖啡表征中确立实用价值。HS-SPME–GC区分了烘焙咖啡与饮品[8]，GC–MS谱图则区分了阿拉比卡/罗布斯塔混拼及缺陷豆[9]、[10]。Caporaso等[11]在来自13个国家的25批样品中，在单豆水平上分辨了生物变异。这些研究展示了如何通过特定的挥发性测量来描述咖啡材料之间的差异。GC×GC扩展了色谱覆盖范围，支持对烘焙化学更详细的刻画[12]。在这些平台中，一种特征谱通过分析条件、特征身份和参考方式获得分析学意义。本研究考察了这些记录关系在归一化、筛选和预测过程中的一致性。
GC–MS谱图常以积分信号池的分数形式报告。这种做法消除了一个共同的尺度因子，但某一化合物所分配到的数值则取决于分母中包含的其他信号。咖啡分析尤其易受此影响，因为挥发性分析具有方法依赖性，不同的采样或提取流程从化学复杂的顶空空间中回收的部分不尽相同[2]。因此，即使某化合物所测峰信号未变，在参考改变后其数值也可能看似升高或降低。这是组成型测量的一般属性：近期质谱糖组学研究表明，相对丰度数据在其他组分变化时可产生虚假的表观下降，而对数比值表示可恢复统计学上适当的比较[13]。因此，我们将归一化后的咖啡谱视为相对测量值，并依据既有的组成学原理[14]、[15]分析各组分之间的关系。
机器学习在特征筛选阶段引入了相关问题。某一变量可能因追踪谱图的广泛偏移而在一个训练集上表现良好，但在重新采样后却被另一相关变量所替换。近期组学生物标志物发现研究强调，稀疏预测模型不仅要评估性能，还应考察在不同数据扰动下恢复候选生物标志物的可靠性[16]。同样的问题也存在于咖啡挥发组学之中，化学计量与机器学习流程可识别出紧凑的判别面板[6]、[7]、[17]。仅凭预测精度无法判断在归一化改变后相同的化学特征是否会重现或保持相同解释。近期代谢组学最佳实践指南同样将变换、归一化和缩放视为稳健可重复化学计量分析的组成部分[18]。
近期咖啡研究展示了从宽泛指纹向明确化学特征的转变。Aurum等[17]结合靶向GC–MS/MS代谢组学与多种分类器，识别出随机森林与PLS-DA重要性分析共同关注的特征。Couto等[6]采用非靶向SPME–GC–MS并结合化学计量学提名烘焙咖啡鉴真用挥发性标记物，而Shi等[7]则结合互补的气相色谱平台与电子鼻，识别出产地相关的挥发性标记物。跨模型或平台间的一致性是支持某一标记物的证据形式之一，但进一步的问题是：当用于表达其丰度的参考发生变化时，该标记物是否仍保持其含义。宽泛的GC–MS指纹可承载有用的鉴真信息[19]，因此考察其中哪些信息可由一组小型可重复化学关系所表征是值得的。
稳定性选择衡量候选特征在训练数据扰动下重复出现的频率[20]，近期组学研究进一步强化了以稳定性为导向的筛选在获取稀疏可靠生物标志物集方面的价值[16]。对数比值与稀疏平衡提供了相对信息的紧凑表示，并消除了所选组分关系中的共同样品参考[13]、[21]、[22]。这些思路针对咖啡挥发组学提出两个独立问题：当分析参考改变时，特征谱是否保留有用的预测信息；当模型重新拟合时，相同的化学组分是否会重复出现。参考不变性与筛选重现性描述的是不同属性，应分别评估。
咖啡为同时考察两种稳定性形式提供了实际场景。色谱图某一区段的大幅信号可改变谱图其他位置化合物相对于彼此的表达，而加工过程产生的相关产物可能在模型筛选中相互竞争。前者改变了分配给样品的坐标，后者则改变了被选入特征谱的变量。分别评估可使基于重现性的筛选可与参考依赖性进行比较，并将每个所选标记物与复现其所需的测量联系起来。
本研究通过三个被赋予不同分析角色的咖啡数据集考察上述问题。作者档案提供了分母变化的实测实例。一份巴西咖啡矩阵在评估过程中留出整个品种，用于支持模型开发；一份埃塞俄比亚矩阵则提供对参考及特征面板行为的独立检验。在相同的验证设计下比较了单一VOC选择、成对比值及稀疏平衡。随后以分母偏移和所选特征谱所需化合物缺失为挑战条件考验冻结模型，将预测与复现特征谱所需的测量联系起来。
章节摘要
咖啡数据集及其角色
作者档案包含六份GC–MS采集导出文件，按G1、G2、G3三个历史代码排列，每个代码下有两个文件。所用材料为产自苏拉威西的中度烘焙印度尼西亚Toraja咖啡，磨碎并制备成纸过滤咖啡饮品后，进行顶空固相微萃取（HS-SPME）及GC–MS分析。仪器与色谱柱配置与Wang等[23]报告的宁夏大学平台一致：配备一根的GC–MS 2010 Plus系统（Shimadzu，日本京都）。
参考依赖性标记物方向
参考物的选择在作者档案中改变了许多化合物对比的符号。在未缩放的峰面积和四种归一化表示中，57条完整面板注释里有50条在G2–G1上跨越零值。仅就四种归一化表示而言，57条中有22条（38.6%）跨越零值。G3–G1对应的比例为14.0%，G3–G2则为43.9%。图2a展示了所测参考下各注释的效应大小。
相同的依赖性在已发表的咖啡矩阵中也存在。
结论
参考物的选择改变了咖啡挥发性对比的符号与绝对排名。固定比值消除了共同参考偏移，并在删除无关特征时保留了指定的比较关系。稳定性引导的筛选在品种留出的测试中保留了采收年份信息，并识别出重复出现的关系，其中包括一对二酮，其得到了配对采集之间高度一致性的支持。将预测、重现性和参考依赖性一并评估，可提供……
CRediT作者贡献声明
崔佳睿：软件、数据整理、概念构思。陈章：调查研究、形式化分析。王松雷：资金获取。
资金支持
本工作由中国国家自然科学基金资助（编号：32260625）。
利益冲突声明
作者声明不存在任何可能被认为影响本文所报告工作的已知的竞争性财务利益或个人关系。
致谢
作者感谢PLUS Cafe在咖啡分析方面提供的技术协助。
崔佳睿|陈章|王松雷
