《TRENDS IN FOOD SCIENCE & TECHNOLOGY》：Machine Learning -Driven Target-Oriented Flavor Editing (TOFE) Strategy: Profiling, Deterioration Pathways and Modulation
编辑推荐：
•风味变化包括风味释放、风味结合以及异味生成。•碎片化的数据集和薄弱的多组学整合阻碍了机器学习驱动的风味调控。•提出了概念性的机器学习驱动的TOFE策略，用于目标食品风味调控。•TOFE为工业规模的风味损失和异味挑战提供了一种前瞻性的闭环工作流程。引言食品风味是影响消费者接受度和
- •
风味变化包括风味释放、风味结合以及异味生成。
- •
碎片化的数据集和薄弱的多组学整合阻碍了机器学习驱动的风味调控。
- •
提出了概念性的机器学习驱动的TOFE策略，用于目标食品风味调控。
- •
TOFE为工业规模的风味损失和异味挑战提供了一种前瞻性的闭环工作流程。
引言
食品风味是影响消费者接受度和整体食品质量评价的最重要感官特性之一。风味的形成源于食品原料制备过程中自然发生的复杂物理化学和生物化学转化，这些转化进一步受到加工、储存和/或再加热条件的影响。糖类、游离氨基酸（FAA）和脂肪酸（FAs）是天然风味前体物质，它们在热处理过程中发生重要的化学反应，如美拉德反应、斯特雷克降解和脂质氧化，从而产生加工食品特有的风味（Kerler et al., 2010; Reineccius, 2006）。然而，虽然这些途径产生理想的呈香化合物，但如果调控不当，它们也可能产生不良异味，或重塑整体风味谱，并改变食品最终的感官表现（Pu et al., 2022）。这给食品风味质量控制带来了重大挑战。此外，风味质量是一个特别动态且复杂的现象，由于产品生命周期中挥发性与非挥发性分子之间的复杂相互作用，在工业规模上处理起来极为困难（Cai et al., 2024）。因此，它是决定商业成功的关键因素，直接影响消费者的偏好、品牌忠诚度以及各类食品品类的持续经营。
风味变化，即食品风味谱的偏移，是一个严峻的研究和工业问题，危及产品质量和消费者接受度，主要受氧化降解、物理香气损失、基质相互作用或异味生成的影响（Y. Liu et al., 2025）。因此，对创建强大、可扩展的风味调控和控制技术（FMCTs）的需求日益增加，这些技术能够从加工、配方到包装和储存的整个产品生命周期中维持和改善所需的风味谱（X. Chen et al., 2023）。传统的FMCTs，如香辛料的应用、加工调控、包封技术、掩蔽剂等，虽然在经验上被用于改善食品风味谱，但常常受到功效有限和通用性不足的制约。
最近的研究开创了创新的机器学习方法，以克服传统FMCTs在食品研究中的局限性。考虑到食品工业向机器学习和人工智能驱动的食品风味研究的最新进展，该领域已成为全球研究热点（Ji et al., 2023），如图1所示。文献数据从Web of Science检索，检索式为：（“machine learning” OR “deep learning” OR “artificial intelligence” OR “AI”）AND（“flavor” OR “flavour” OR “aroma” OR “odor” OR “odour” OR “taste” OR “olfaction” OR “olfactory” OR “sensory”）。机器学习和风味科学交叉领域的研究在过去二十年（2005-2025年）呈指数级增长，自2022年起出版物数量激增，主要贡献来自中国和欧洲机构（图1A和1B）。广泛采用的机器学习算法包括k近邻（KNN）、卷积神经网络（CNN）、人工神经网络（ANN）和支持向量机（SVM）。这些算法擅长复杂的分类和回归任务，并展现出解决食品风味研究关键挑战的巨大潜力（图1C）。这些算法已被有效用于例如根据挥发性谱对食品进行分类、从化学数据预测感官品质、以及优化发酵操作以改善风味生成（M. Lee et al., 2024; Menichetti et al., 2023; Zhou et al., 2019）。作为人工智能（AI）的子集，这些机器学习算法能够智能地从复杂、多层面的数据中学习，做出精确预测并无需依赖预定义规则来解决问题，从而为风味科学提供了强大的数据驱动基础（Taiki et al., 2022）。例如，Ferr?o等人（2022）提出机器学习可以用于通过整合香气物质和感官评价来预测蓝莓风味。这种方法可以用于对芳香基因型进行分类，以筛选关键呈香化合物。Zou等人（2024）指出，对于发酵石榴汁，机器学习可以预测和制定发酵加工调整方案，从而获得更受消费者偏好的发酵石榴汁。这一日益增长的研究成果凸显了机器学习作为精密风味调控技术基石的变革性潜力。
然而，构建简单的机器学习模型无法解决现实世界的生产挑战，因为碎片化的数据集和不充分的多组学整合仍然相互脱节。基于这些发展，一种新颖的靶向风味编辑（TOFE）策略应运而生，这是一种系统级方法，结合了分析化学、配料工程、感官组学/风味组学、风味损失途径分析以及机器学习，以实现预测性和适应性的风味控制（C. Zhang et al., 2024）。
需要说明的是，所引用的专利主要报道了面向硬件风味数据采集的原型，并仅提供了TOFE的初步概念性概述。相比之下，本综述开发了一个系统化的、通用的理论框架，构成了一项独立的学术贡献，远超该专利的范围。值得注意的是，该专利没有记录完整的机器学习驱动的TOFE工作流程及其四个核心集成模块，没有系统性地对照感官组学和风味组学框架进行基准测试，没有对风味偏移途径进行分类分析，没有整合的FMCT匹配策略，没有闭环迭代预测机制，也没有工业部署的实用指南——所有这些均为本综述的原创学术成果。
TOFE框架建立在三个核心维度之上：（i）识别定义特定风味谱的关键呈香化合物和呈味物质；（ii）阐明驱动风味损失和随后的风味谱偏移的途径；以及（iii）选择适当的干预措施以减轻或调节风味变化，并辅以机器学习实现精准靶向风味改善。据此，本综述对这三个维度进行阐释，并构建了机器学习驱动的TOFE模型。通过融合感官组学/风味组学、传统FMCTs和机器学习分析，这一混合框架支持跨多种食品基质的实时、数据驱动的风味调控。它旨在提高预测精度、减少主观偏差，并使食品风味管理的决策更加合理化。我们进一步总结了主要的风味改变途径，突出了传统FMCTs的局限性，并详细介绍了机器学习驱动的TOFE的集成模式。最后，为学术研究者和工业从业者提供了在现代化食品系统中实施高性能、可扩展风味控制的实用路线图。
章节片段
食品风味谱偏移的主要途径
术语“风味谱偏移”描述了食品在加工、储存、再加热和食用过程中其感知风味如何随时间动态变化。这些变化由关键风味（呈香或呈味）化合物的改变（即浓度和组成）、环境条件与食品基质组分之间复杂的物理化学相互作用引起（Reineccius, 2006; You et al., 2024）。虽然风味劣化被广泛认为是决定食品
传统的食品风味调控和控制技术（FMCTs）
从即食餐、零食和饮料到动物性和植物性肉类替代品，消费者不断寻求独特、地道且令人满意的风味体验。为了与消费者偏好和市场需求保持一致，食品制造商采用多种技术手段来重塑感官谱：风味调控是指主动优化原料和加工参数以产生理想的特色口感和香气，而风味控制
食品风味研究中AI/ML的最新趋势
食品工业面临的主要问题是预测、理解并做出关于消费者将如何感知和欣赏食品（尤其是其风味）的决策，因为人们对独特稳定食品风味的兴趣日益增长（Mavani et al., 2022）。借助AI/ML对食品风味和欣赏进行精确建模，生产者和消费者都可能从中受益匪浅。这些机会包括产品指纹识别、质量控制、腐败鉴定、掺假检测以及
结论与展望
新颖的机器学习驱动的TOFE模型引入了一种智能且系统化的方法论，整合了关键风味表征、风味劣化途径的系统分析以及靶向食品风味调控方案的自动化输出。该框架解决了长期存在的实际挑战，即在涵盖食品制备、工业加工、长期储存、配送和最终的整个食品供应链中维持所需的特色风味谱
未引用参考文献
Chen et al., 2024; Liu et al., 2025; Liu et al., 2025; MarketsandMarketsTM, 2025; Wang et al., 2023; Wang et al., 2023; Wang et al., 2023; Yang et al., 2022; Zhang et al., 2024。
致谢
本研究得到国家自然科学基金（NSFC）青年科学基金项目（32402287）、国家重点研发计划项目（2023YFD2100704）、中国农业科学院农产品加工研究所农业科技创新工程（CAAS-ASTIP-Q2026-IFST-06）的资助。
Ping Yang|Prince Chisoro|Yue Liu|Chunhui Zhang|Ying Xu|Ke Bi|Jingfan Wang|Tianze Wang|Junmei Liu|Dong Han|Imre Blank
