《Frontiers in Food Science and Technology》：AI-enabled multi-omics integration for predictive food safety
全球食品系统的日益复杂性和食源性疾病负担，凸显了基于回顾性检测和孤立分析测量的传统食品安全方法的局限性。高通量组学技术，包括基因组学、转录组学、蛋白质组学、代谢组学和微生物组学，能够对食品系统进行全面的分子表征，但其规模和异质性对传统分析方法构成挑战。人工智能（AI）可整合这些异质性数据集，以支持预测性食品安全、质量保证和风险评估应用。本综述对AI赋能的多组学整合用于食品安全进行批判性概述，涵盖主要组学平台、多模态整合、机器学习（ML）、深度学习（DL）、图神经网络（GNNs）、基于Transformer的方法和可解释人工智能（XAI）。应用包括病原体检测与表征、抗菌药物耐药性（AMR）监测、货架期与腐败预测、食品真实性评估和风险评估。已报告结果包括：沙门氏菌（Salmonella）疾病终点表型的基因组预测准确率为0.94（κ=0.82），沙门氏菌应激反应预测的AUROC为0.904，基于神经网络的货架期预测R2>0.96。然而，性能仍依赖于数据质量、模型设计和验证策略。关键挑战包括数据标准化、模态缺失、批次效应、模型可解释性、监管接受度、计算可扩展性以及特征明确的多组学食品安全数据集可用性有限。文中讨论了生物基础模型、数字孪生和信息物理系统等新兴方向作为较长期机遇，而自主食品安全管理仍是一个新兴研究方向。
1 Introduction
1.1 The evolution of food safety: from retrospective testing to proactive management
该节概述食源性疾病负担和召回经济损失，指出传统危害分析与关键控制点（HACCP）及终产品培养检测的回顾性、抽样与时间滞后局限，并引出Food Safety 4.0与Food Safety 5.0所代表的实时监测、AI驱动预测和主动管理转向。
1.2 The data deluge: the rise of high-throughput omics in food systems
该节介绍Foodomics和食品组（Foodome）概念，说明基因组学、转录组学、蛋白质组学和代谢组学等高通量技术产生大规模异质数据，并指出全基因组测序（WGS）、宏基因组学、转录组学和蛋白质组学在病原追踪、应激响应、过敏原与掺假检测中的应用及高维低样本量（HDLSS）问题。
1.3 The AI paradigm shift: why traditional statistics are no longer enough
该节论述传统单变量统计、线性模型和经典降维在高维、稀疏、共线性和批次效应下失效，强调AI/机器学习（ML）与统计方法互补，并比较早期、晚期和中期融合以及多组学因子分析（MOFA）、相似性网络融合（SNF）、变分自编码器（VAEs）和图卷积网络（GCNs）等策略。
1.4 Scope and objectives of this review
该节明确综述目标：建立AI多组学融合方法分类，讨论病原检测、AMR监测、货架期和动态风险评估应用，展望数字孪生与Industry 5.0，并讨论可解释人工智能（XAI）、治理、隐私和未来路线图。
2 The multi-omics landscape in food science
2.1 Genomics and metagenomics: resolving the food microbiome and pathogen dynamics
该节从16S rRNA扩增子测序转向鸟枪法宏基因组学，讨论长读长测序、质粒与可移动耐药基因解析、泛基因组与病原适应性，以及 viability dyes 结合宏基因组检测活的但不可培养（VBNC）状态；同时指出基因组特征数远超样本数导致的HDLSS瓶颈。
2.2 Transcriptomics: capturing viability, stress responses, and host-pathogen interactions
该节说明RNA-Seq用于应激响应和活力指示，Dual RNA-Seq用于宿主—病原互作，单细胞RNA-Seq（scRNA-seq）用于生物膜异质性和持留细胞；并指出RNA不稳定性、零膨胀和稀疏性要求稳健归一化与非线性建模。
2.3 Proteomics and metabolomics: decoding phenotypic readouts and molecular authenticity
该节比较数据依赖采集（DDA）与数据非依赖采集（DIA）蛋白质组学，指出DIA在过敏原筛查、物种真实性和毒素检测中的优势，并说明靶向质谱在食品安全验证中的作用。
2.4 Metabolomics for food-safety and spoilage monitoring
该节总结高分辨质谱（HRMS）和核磁共振（NMR）代谢组学及挥发性有机化合物（VOCs）用于腐败和化学危害监测，介绍全球天然产物社会分子网络（GNPS）用于未知代谢物注释，并指出特征密度、动态范围和共线性瓶颈。
2.5 Challenges of heterogeneity and high-dimensionality in multi-omics data
该节归纳p?n、维数灾难、批次效应、缺失模态和“碎片化”问题，比较MOFA与SNF在可解释性、样本相似性和非线性建模方面的取舍，并强调融合方法选择应依据数据结构和应用目标。
3 AI methodologies for multi-omics data integration
3.1 Traditional machine learning approaches
该节讨论支持向量机（SVM）、随机森林（RF）和XGBoost在单组学分类中的可解释性和低计算成本，同时指出直接早期拼接会加剧HDLSS、噪声和共线性，且线性降维可能破坏跨组学非线性互作。
3.2 Deep learning architectures
该节介绍卷积神经网络（CNNs）和自编码器，重点说明VAEs通过变分推断、重参数化技巧和证据下界（ELBO）实现正则化潜在空间，并以Product-of-Experts（PoE）或Mixture-of-Experts（MoE）整合多模态并抑制技术噪声。
3.3 Graph neural networks (GNNs)
该节说明GNNs以节点和边表示生物实体及相互作用，通过消息传递和邻域聚合学习网络拓扑，GCN与图注意力网络（GAT）可加权关键邻居，MOGONET等架构可建模跨组学高阶相关。
3.4 Transformer architectures and biological foundation models
该节介绍自注意力机制和生物基础模型，说明在大型无标注序列上预训练、掩码语言建模和迁移学习可缓解n?p限制，并列举Nucleotide Transformer、ESM-2和ProtT5在AMR与毒力预测中的潜力。
3.5 Explainable AI (XAI) in food safety
该节强调深度学习“黑箱”与监管证据需求之间的冲突，讨论SHAP和lime等事后解释方法将预测归因转化为生物和工艺可解释信息，以支持召回、干预和合规决策。
3.6 Multimodal data fusion strategies
该节比较早期融合、晚期融合和中期融合：早期融合简单但易加剧维数灾难，晚期融合灵活但丢失跨模态互作，中期融合可学习共享潜在表征但复杂度和解释难度更高；并强调应结合MOFA/SNF等基线方法评估。
4 Key applications of AI-driven multi-omics in food safety
4.1 Pathogen detection and typing
该节总结纳米孔实时测序与深度学习碱基识别、宏基因组图神经网络用于生物膜关键物种识别，以及VAEs融合PMA-宏基因组和代谢组检测VBNC状态；并报告沙门氏菌基因组预测准确率0.94（κ=0.82）和应激响应AUROC 0.904等结果。
4.2 Antimicrobial resistance (AMR) surveillance
该节讨论基础模型直接从序列预测耐药表型、GNNs追踪质粒和可移动遗传元件，以及宏基因组—宏转录组联合解析resistome-virulome耦合，以区分沉默耐药基因与实际表达风险。
4.3 Shelf-life prediction and spoilage monitoring
该节介绍长短期记忆网络（LSTM）和时间卷积网络（TCNs）对纵向多组学与传感器数据的动态预测，VOCs指纹结合XGBoost/RF筛选腐败标志物，以及基于代谢互养（syntrophy）的机制性腐败解释；并提及R
2>0.96的神经网络货架期预测结果。
4.4 Food authenticity and fraud detection
该节说明DIA蛋白质组学结合DIA-NN和机器学习识别热加工食品掺假，GNPS与代谢组学用于产地和品种指纹，中期融合（如MOFA）在共享潜空间中分离平台噪声与真实生物差异以提升真实性判别。
4.5 Dynamic risk assessment and decision support systems
该节讨论自适应定量微生物风险评估（QMRA）整合纵向多组学更新风险参数，XAI嵌入决策支持系统提供可审计解释，并概述数字孪生作为实时模拟和主动干预的延伸方向。
5 Emerging paradigms: toward food safety 5.0
5.1 Digital twins in the food supply chain
该节提出生物数字孪生结合空间多组学、食品知识图谱和因果AI，从相关性预测转向干预后果推理，并指出已有过程级数字孪生案例但多组学生物安全孪生仍属新兴方向。
5.2 Cyber-physical systems and industry 4.0 integration
该节讨论边缘AI在本地处理多组学数据以支持实时物理干预，Graph Foundation Models用于跨设施零样本迁移，并强调EU AI Act、FDA指南和ISO标准下的治理与审计要求。
5.3 Autonomous predictive food safety ecosystems
该节展望Agentic AI、多模态大语言模型与检索增强生成（RAG）协同实验和监管查询，以及生成式组学合成隐私保护数据，但认为自主食品安全管理仍处早期。
6 Current challenges and limitations
6.1 Data standardization, FAIR principles, and data silos
该节指出食品基质异质性、元数据缺失、FAIR原则落实不足和数据孤岛阻碍大规模训练，建议建立最小可互操作元数据模式、受控词表和统一质量控制。
6.2 The “black box” problem: interpretability vs. accuracy
该节讨论准确率—可解释性权衡、SHAP/lime的局限和虚假相关风险，强调解释稳定性、生物学合理性、反事实解释、不确定性报告和独立验证。
6.3 Regulatory acceptance and governance
该节分析ISO/IEC 17025静态验证与持续学习冲突、EU AI Act覆盖盲点、责任归属不清和跨辖区协调需求，提出模型文档、版本控制、部署后监测和外部验证框架。
6.4 Computational costs and large-scale deployment in industry
该节指出Transformer、VAEs和GNNs训练与推理成本高，边缘部署受模型压缩、灾难性遗忘和毫秒级延迟限制，多组学AI短期仍多用于离线实验室分析。
7 Future perspectives and research roadmap
7.1 Federated learning for cross-institutional data sharing
该节讨论联邦学习在隐私和知识产权约束下的协作建模，但需应对非独立同分布数据、异构组学模态和隐私—效用权衡，并采用客户端聚类、纵向联邦学习和跨站点验证。
7.2 Developing food-specific foundation models
该节提出构建FoodOmics基础模型，整合宏基因组序列、LC-MS谱、空间影像和工艺元数据，但强调食物相关域偏移、数据规模、算力和基准评估仍限制其应用。
7.3 Bridging the gap between lab research and industry 4.0 adoption
该节强调标准化采样、分析平台稳定性、数据互操作、网络安全、MLOps和人工监督，并建议采用配对样本/N-of-1通路分析和标准化基准数据集提升有限样本下的稳健性。
7.4 Toward predictive, explainable, and autonomous food safety 5.0
该节认为因果AI、多模态基础模型、数字孪生和代理决策支持仍属新兴概念，近期更现实的目标是人工监督下的人机协同决策支持，并以可重复性、外部验证、不确定性和监管接受为条件。
8 Conclusion
该节总结传统微生物学、化学、统计和HACCP仍是食品安全基础，AI多组学可补充而非替代现有方法；其长期价值取决于在预测、整合和决策支持中证明可重复改进，并与常规检测、监管要求和实际工作流兼容。
