基于论文摘要，拟定专业标题如下： 基于酶动力学与温度依赖的葡萄酒发酵香气合成简约机理模型

《Journal of Food Engineering》：A parsimonious mechanistic model of aroma synthesis during wine fermentation

　　

摘要专业翻译： 研究人员提出一个考虑温度依赖性的乙酸异戊酯（IAA）合成机理模型。基于酶动力学的方程能够捕捉氮素依赖的香气产率变化。该六常微分方程（ODE）简约模型适用于过程优化与实时控制。模型在涵盖多样化发酵条件的81批次发酵实验上完成校准与验证。利用模型结构特性，研究人员开发了一种稳健的顺序校准策略。

论文解读文章

研究背景与现存问题

在全球葡萄酒市场竞争日趋激烈的背景下，行业对生产效率、过程稳健性与产品品质提出了更高要求。其中最具挑战性的任务之一，是在保证品质一致性的前提下，将葡萄酒香气特征与消费者偏好相匹配。这要求对发酵过程实施精准控制，而当前葡萄酒发酵实践仍主要依赖经验知识。缩短发酵时间是酒庄管理的核心需求，工业界普遍采用两种手段：氮素添加与变温管理。近年研究揭示，这两种操作对最终产品香气特征具有显著影响，为新型工程视角开辟了道路——氮素添加与变温管理不仅可作为调控发酵时长的工具，还可作为塑造香气特征的关键控制变量。

尽管数据驱动控制方法日益受到关注，基于知识的控制策略仍特别适用于生物过程。这是因为生物过程通常具有测量变量有限、测量不确定等特点，使机理控制方法相较于纯数据驱动方法更具价值。设计基于过程的控制策略需要能够捕捉葡萄酒发酵关键机制、同时保持足够可解析性与可优化性的机理模型。现有文献中的葡萄酒发酵模型虽已取得重要进展，但多数香气合成模型依赖糖与香气浓度间的经验关系，未能明确考虑温度与氮素可利用性等外部因素的影响，且校准所用实验数据集规模有限，有时仅以单次发酵实验估计完整参数集。鉴于香气合成对发酵条件的强依赖性，现有模型的预测能力可能局限于所考虑的狭窄实验条件范围。

研究内容与核心结论

针对上述局限，本研究提出一个面向控制应用、同时适用于分析与预测的葡萄酒发酵简约机理模型，聚焦于乙酸异戊酯（IAA）这一对研究中所考虑环境条件具有高度敏感性的代表性芳香化合物。模型包含8个状态变量，其中两个可通过恒定产率系数由其他变量直接推导。这些变量对应氮浓度（N）、酵母生物量（B）、糖转运蛋白中氮浓度（N_st）、酶中氮浓度代理（P）、糖浓度（S）、二氧化碳浓度（C）、乙醇浓度（E）及乙酸异戊酯浓度（A）。模型通过以下过程描述各变量间相互作用：糖与氮吸收、酵母生长、糖转运蛋白合成、酶合成，以及乙醇、二氧化碳和乙酸异戊酯的生成。

研究人员提出一种五步顺序校准策略，充分利用模型的分层结构。该策略将高维参数空间中的复杂辨识问题分解为若干涉及较少参数的更简单子问题，有效规避了众多次优局部极小值带来的计算困难。模型在81批次涵盖广泛环境条件的发酵实验上完成校准与验证，这些实验均采用合成葡萄汁进行，使用商业菌株酿酒酵母（Saccharomyces cerevisiae）Lalvin EC1118R，实验条件在初始糖浓度（180或200 g·L^-1）、初始氮浓度（0.07至0.41 g·L^-1）、温度（等温或非等温，18至30 °C）、发酵期间氮添加量（0至0.15 g·L^-1）及添加时机等方面存在差异。

关键技术方法

研究人员采用顺序校准策略，将模型辨识分解为五个步骤：第一步针对等温发酵（初始糖浓度180 g·L^-1）辨识酵母生长与氮同化动力学；第二步针对等温发酵（初始糖浓度180和200 g·L^-1）辨识糖转运与乙醇生成动力学；第三步针对非等温发酵（初始糖浓度200 g·L^-1）独立辨识糖消耗的温度依赖因子k_S；第四步针对等温发酵（初始糖浓度200 g·L^-1）辨识香气合成子模型；第五步针对非等温发酵独立辨识香气合成的温度依赖因子k_A。校准过程以相对误差加权和为目标函数，通过Python中scipy.optimize包的minimize函数配合Nelder-Mead单纯形算法求解，常微分方程组采用scipy.integrate包的odeint函数进行数值积分。数据集来源于法国SPO研究单位（Sciences Pour Oenologie）在多项研究中收集的81批次发酵实验，其中约四分之三的独特实验条件用于校准，四分之一用于验证。

研究结果

6.1 糖转运动力学

通过步骤1、2、3的校准，研究人员确定了氮同化速率μ_N（随N增加而增加、随E增加而减少）、酵母生长分配因子h_B（以S/(S+h_B¹)形式表征）、糖降解速率μ_S（随S增加而增加、随E增加而减少）、糖转运蛋白合成分配因子h_Nst（以e^-λ_NstS形式表征），以及各温度依赖因子。其中k_N以二次多项式形式表征，k_B采用带上下限的分段函数形式，k_Nst与k_S以线性函数形式表征。参考温度T_ref设为24 °C。

6.2 香气合成动力学

通过步骤4、5的校准，研究人员确定酶合成分配因子h_P与IAA合成分配因子h_A均为S的线性函数，温度依赖因子k_P与k_A均为T的线性函数。模型成功捕捉了氮添加诱导ATF2基因过表达、从而增加酶浓度并直接影响香气合成的机制，该效应在实验中表现为香气产率系数的增加。

讨论与结论

该模型相较于现有文献中的模型具有显著优势：模型明确考虑了香气合成涉及的代谢途径，能够捕捉温度与氮素可利用性对香气合成的影响；基于81批次涵盖广泛发酵条件的实验数据完成校准与验证，预测能力不局限于狭窄的实验条件范围；六常微分方程的简约结构使其特别适合过程优化与实时控制应用。模型的结构特性使顺序校准策略成为可能，该策略有效解决了高维参数空间中的辨识难题。研究结果表明，该机理模型能够为葡萄酒发酵过程中香气合成的预测与控制提供可靠工具，为将氮素添加与变温管理作为关键控制变量来塑造葡萄酒香气特征的新型工程方法奠定了模型基础。