《TRENDS IN FOOD SCIENCE & TECHNOLOGY》：AI Agents Accelerate the Discovery and Engineering of Food Molecules
编辑推荐：
•感知-认知-行动-反馈框架定义了食品分子AI智能体•气味研究将分子感官潜力与食品香味的贡献区分开来•闭环工作流程筛选信息性实验并返回结构化证据引言食品分子研究旨在阐明化学定义的化合物如何与食品系统中的可测量特性和感官体验相关联。分析化学的进展增加了可在复杂样品中检测到的分子
- •
感知-认知-行动-反馈框架定义了食品分子AI智能体
- •
气味研究将分子感官潜力与食品香味的贡献区分开来
- •
闭环工作流程筛选信息性实验并返回结构化证据
引言
食品分子研究旨在阐明化学定义的化合物如何与食品系统中的可测量特性和感官体验相关联。分析化学的进展增加了可在复杂样品中检测到的分子数量，而计算模型则为将分子信息与实验观测结果联系起来提供了新的途径（Díaz-Galiano等，2024；Gunning & Tagkopoulos，2025；Jo等，2025）。这些发展扩大了候选化合物的识别和比较规模。然而，增加分子记录或预测的数量本身并不能确立某种化合物在食品中的功能。对其的解释仍然取决于测量了什么、在何种条件下获得了观测结果，以及现有证据是否支持预期结论。
该领域大多数人工智能应用仍以针对特定终点训练的模型为中心。当研究问题与其训练目标匹配时，此类模型可以提供高度信息性的结果，但其输出仅代表更广泛科学工作流程中的一个步骤。即使一个经过前瞻性验证的模型能够预测分离气味物质的描述符，它也不能确立某分子是否对食品香气有贡献，因为该结论还取决于其在周围基质中的存在和行为（Lee等，2023；D. Wang等，2025）。因此，当未保留其终点的证据边界时，有效的分子预测可能会被误用。
工具使用型语言模型的近期进展创造了将这些原本分离的操作连接起来的可能性。科学智能体可以在协调的工作流程中检索外部证据并调用专业计算工具（Chowa等，2026；Ding等，2025；M. Bran等，2024）。闭环分子发现平台进一步证明，计算建议可以与实验测量联系起来并用于指导后续决策（Koscher等，2023）。这些发展表明了一个从回答预定义问题的模型向参与科学假说构建和迭代检验的系统过渡的趋势。
然而，工具访问和工作流程自动化并不能使智能体在科学上可靠。一个系统可能检索到看似相关的出版物，或获得对其工具声明任务有效的模型输出，同时仍然构建出证据无法支持的解释。对科学智能体的评估也表明，访问有能力的语言模型和计算环境并不能确保成功完成真实研究任务（Chen等，2024）。核心挑战并非简单地放置更多工具在语言模型界面背后，而是构建一个能够保持研究问题、所执行操作及其结果所产生的主张之间关系的智能体。
本综述通过一个感知-认知-行动-反馈框架来应对这一挑战，该框架跟踪一个分子问题从证据获取到基于实验信息修正的全过程。
讨论聚焦于食品分子发现，以气味研究作为检验该框架的主要应用。气味提供了一个特别有信息量的案例，因为分子结构可以支持关于感官潜力的预测，而食品层面的解释则需要额外的分析和感官证据。来自其他分子领域的例子仅在阐明计算功能时纳入，例如表示学习或受约束生成；它们不作为独立的应用领域对待。因此，本综述考察了智能体启用的工作流程如何通过将分子预测与食品特异性证据和实验反馈连接起来，加速食品分子的发现和工程化。
章节摘要
定义食品分子AI智能体
在此背景下，食品分子AI智能体在此被定义为一个计算系统，该系统协调证据获取、模型使用和实验反馈，以支持食品分子的发现和工程化（Chowa等，2026）。与任务专用模型不同，它必须确定哪些操作是合适的，保留每次解释的基础，并在新的观测结果可用时修正后续建议。这一定义是功能性的，而非绑定于某一种……
分子结构与理化数据
结构记录确立了分子身份，而理化数据则在食品分子AI智能体中为分子行为提供背景。常见的机器可读表示包括SMILES、规范SMILES、InChI和InChIKey（Heller等，2015；Weininger，1988；Weininger等，1989），以及用于分子建模和数据库匹配的其他结构格式（O'Boyle等，2011）。这些表示方式在其角色上有所不同。SMILES提供了一种紧凑的行表示法，其……
从分子证据到计算表示
一旦分子数据被收集和整理，它们必须被转换为计算表示，才能被预测或生成模型处理。这一步将食品分子智能体的数据基础与其认知能力连接起来。虽然经过整理的分子记录确立了化合物的身份和实验背景，但其计算表示决定了分子结构的哪些方面可供学习（Yang等，……
为什么分子结构不能唯一决定气味感知
气味预测提出了一个独特的挑战，因为分子结构不是通过简单的一对一关系决定感知的。柠檬烯的对映异构体提供了一个广为人知的例子。尽管它们具有相同的原子连接性，仅在立体构型上有所不同，(R)-(?)-柠檬烯通常被感知为留兰香型，而(S)-(+)-柠檬烯则与葛缕子型气味相关联（Geithe等，2017）。受体研究已识别出……
在资源约束下选择下一个实验
当计算结果指导下一个实验的选择，且所得测量结果为后续决策提供信息时，发现工作流程便成为闭环。主动学习和贝叶斯优化以不同方式支持这一过程。主动学习选择预期能减少不确定性或在候选空间相关区域改进模型性能的实验（Lookman等，2019）。贝叶斯优化则优先选择候选物或实验条件……
构建可比较且富含上下文的证据
食品分子数据集可能各自有用，但当相似标签来源于不同实验定义时，它们仍然难以合并。这一问题在感官研究中尤为明显，其中气味或味觉标签可能指代使用不同词汇表和评估方案获得的测量结果。在他们对食品感官数据和预测模型的系统综述中，Gunning和Tagkopoulos（2025）指出缺乏标准化的嗅觉指标是一个……
结论
从预测模型到AI智能体的转变并非简单地通过在单一系统内组合更多模型来实现。预测模型解决的是输入与终点之间的定义关系，而科学智能体必须确定该关系与研究问题是否相关，以及结果输出能否支持预期主张。因此，智能体构建取决于保持分子证据、计算……
CRediT作者贡献声明
概念化：Y.Y.；写作–初稿：C.W.和C.Z.；写作–审阅与编辑：C.Z.、C.W.和Y.Y.；监督：Y.Y.、B.L.和L.A.；经费获取：Y.Y。
利益冲突声明
作者声明他们不存在可能影响本文报告工作的已知竞争性经济利益或个人关系。
数据可用性
本综述基于已发表的文献。支持讨论和总结表格的来源已在手稿中引用。
手稿准备过程中生成式AI和AI辅助技术的声明
在准备本手稿期间，作者使用ChatGPT和OpenAI Codex辅助语言修订和格式检查。图2、图3、图4、图5、图6和图7中的初始概念艺术图由作者生成，经ChatGPT助手润色，随后由作者在Microsoft PowerPoint中编辑。
资助
本研究得到了浙江省"尖兵""领雁"研发计划（编号2025C01100和2025C01102）、浙江省自然科学基金（编号LR25C100001）以及国家自然科学基金面上项目（编号32471372）的支持。
利益冲突声明
? 作者声明他们不存在可能影响本文报告工作的已知竞争性经济利益或个人关系。
翁成照 | 赵晨 | 卢白怡 | 艾连忠 | 姚远
