综述:机器学习和深度学习在发酵蔬菜风味预测与建模中的应用:从多组学数据整合到数字孪生技术
《TRENDS IN FOOD SCIENCE & TECHNOLOGY》:Machine learning and deep learning for flavor prediction and modeling in fermented vegetables: from multi-omics integration to digital twins
【字体:
大
中
小
】
时间:2026年05月21日
来源:TRENDS IN FOOD SCIENCE & TECHNOLOGY 15.4
编辑推荐:
陈向伟|李新诺|吴玉辉|张福生|郑炯
西南大学食品科学学院,重庆,400715,中国
**摘要**
**背景**
发酵蔬菜中的风味形成是通过本土微生物的演替、固态基质的异质性以及非线性环境波动之间的复杂相互作用而产生的。尽管数据驱动的机器学习(ML)及其子集深度
陈向伟|李新诺|吴玉辉|张福生|郑炯
西南大学食品科学学院,重庆,400715,中国
**摘要**
**背景**
发酵蔬菜中的风味形成是通过本土微生物的演替、固态基质的异质性以及非线性环境波动之间的复杂相互作用而产生的。尽管数据驱动的机器学习(ML)及其子集深度学习(DL)在提高质量预测方面取得了进展——这里特别强调DL在模拟高度非线性系统方面的独特能力——但它们主要依赖于缺乏物理一致性的“黑箱”关联,鉴于工业发酵的动态和非线性特性,这是一个关键的限制。
**范围和方法**
本文提出了一个综合框架,旨在从经验相关性转向基于机制的理性设计。我们批判性地评估了三个核心组成部分:(1)多模态融合策略,将组学与智能传感相结合,以解决固态基质中的时空不对齐问题;(2)基于机制的模型的理论必要性及其当前限制,例如物理信息神经网络(PINNs),并指出目前缺乏适用于固态基质的良定义分布式参数偏微分方程(PDEs)限制了它们的应用;(3)用于验证代谢途径的因果推断方法,而不仅仅是观察。
**主要发现和结论**
在转化应用方面存在一个关键差距。虽然传统的数据驱动模型已经展示了试点规模的验证,但基于机制的方法和数字孪生技术对于发酵蔬菜来说仍然完全是概念性的。至关重要的是,固态发酵固有的极端空间异质性和质量传递限制构成了巨大的理论障碍。我们得出结论,在工业规模上实现集成混合框架之前,必须优先考虑基础生物化学工程研究——特别是解决分布式参数PDEs的问题。这一基于物理的现实路线图是推进固态发酵进入工业4.0时代的绝对前提。
**引言**
发酵蔬菜是传统的固态食品,其风味决定了产品的整体质量(Park & Mannaa, 2025; Tan et al., 2023; Thierry, Baty, et al., 2023; Wen et al., 2024)。风味是消费者接受度、产品差异化和市场竞争力的决定性因素,尤其是在现代消费者对低盐和高功能性变体的需求下(Li et al., 2025; Priyadharshini et al., 2025)。然而,这种风味形成过程非常复杂,源于微生物演替、异质固态基质内的质量传递限制以及温度和盐度等环境变量之间的非线性相互作用(Marco et al., 2021; Xiao et al., 2022; Xie, Hong, et al., 2025; Zhao, Niu, et al., 2023)。这些过程的工业化受到生物变异性的严重阻碍,导致风味不一致性和过程精度有限——这是大规模生产的关键障碍(Li et al., 2025; Priyadharshini et al., 2025; Tan et al., 2023; Wen et al., 2024)。这一瓶颈直接源于无法准确建模和控制这些动态生物物理系统,使得智能、自适应的制造解决方案变得越来越紧迫(Park & Mannaa, 2025; Priyadharshini et al., 2025)。因此,本文讨论的核心问题是“机制-数据脱节”:迫切需要从经验性的黑箱风味预测转向基于机制的动态建模,这是实现智能闭环过程控制的基本前提。
**机器学习及其子集深度学习的进展**
机器学习(ML)及其特定子集深度学习(DL)的进展为建模风味形成和实现预测控制提供了强大的工具(Ge et al., 2025; Ji et al., 2023; Shi et al., 2026; Yee et al., 2025)。随机森林(Random Forest)、XGBoost和卷积神经网络(CNNs)等技术越来越多地被用来利用代谢组学和电子鼻数据预测风味特征(He et al., 2025; Ju et al., 2024; Li et al., 2025; Ni et al., 2025),而将多组学与ML结合使用揭示了微生物演替与关键香气化合物之间的关联(Chi et al., 2024; Xiao et al., 2022)。尽管取得了这些进展,许多现有应用仍然主要依赖于缺乏机制透明度的静态关联和数据驱动模型,这直接加剧了上述的“机制-数据脱节”问题(Ge et al., 2025; Lu et al., 2025)。这些方法经常难以明确考虑关键因素:异质固体中的空间质量传递梯度(Zhao, Niu, et al., 2023)、微生物生态系统的动态变化(Thierry, Baty, et al., 2023)以及离散过程干预的影响(Huang, Fang, et al., 2025)。正如最近的关键分析所强调的,这些遗漏会显著降低模型在不同发酵批次间的泛化能力,并模糊复杂微生物-代谢物-风味网络的可解释性(Li et al., 2025; Zhang et al., 2023)。为了克服这些瓶颈,必须从纯粹的数据驱动拟合转向有针对性的、基于机制的解决方案。具体来说,像物理信息神经网络(PINNs)这样的新兴工具嵌入了生物物理先验,以解决数据稀缺问题并提高外推能力(Karniadakis et al., 2021; Ma et al., 2025; Wang, Wei, et al., 2025);因果推断方法验证潜在的代谢途径,超越单纯的关联关系;数字孪生框架整合了这些元素,以实现闭环、自适应的过程控制。
**综述的局限性**
尽管在食品风味预测方面已经有很多关于机器学习的综述,涵盖了模型、数据来源、算法发展和跨应用使用(Ge et al., 2025; Gunning & Tagkopoulos, 2025; Ji et al., 2023),但大多数综述没有充分讨论三个关键方面:(i)发酵蔬菜作为一种独特的固态发酵系统;(ii)固态异质性、小样本限制和时变过程的相互关联挑战;(iii)基于机制的建模的系统性整合(An et al., 2023; Lu et al., 2025)。因此,本文并没有过早地将闭环控制视为核心问题,而是从根本上解决了发酵蔬菜智能风味建模中的普遍存在的“机制-数据脱节”问题。为了弥合这一根本性差距,我们提出了一个从感官数据采集到高级过程调节的综合性概念框架。为了确保该框架能够作为评估算法和技术的连贯指南,我们在固态发酵蔬菜系统的背景下明确定义了其核心建模目标。这些目标有四个方面:(1)准确预测动态风味轨迹;(2)理解多物种微生物之间的相互作用机制;(3)在固态基质限制下进行合理的过程优化;(4)实现闭环智能控制。围绕这些目标,该框架涵盖了三个相互关联的领域:生物学(微生物演替对初始条件的敏感性及多物种竞争网络(Thierry, Baty, et al., 2023)、物理学(异质固态基质内的质量传递限制和营养梯度(Tan et al., 2023; Xiao et al., 2022)以及工程学(由离散干预引起的过程不连续性)。通过批判性地评估多模态数据融合、静态模型的局限性、动态建模的进展以及数字孪生的潜力,我们概述了从数据驱动到基于机制的预测系统的转型路线图(Karniadakis et al., 2021; Ma et al., 2025)。这些限制的相互关联性要求专门的算法解决方案,详见表1。
**提出的解决方案**
为了应对这些挑战并展示从数据驱动到基于机制的转变,我们提出了一个分阶段的框架(表2)和统一的智能发酵蔬菜建模技术架构(图1)。该框架概述了从智能传感到数字孪生控制的六个阶段(表2)。与液态或封闭系统发酵不同,发酵蔬菜是固态的、安全至关重要的生态系统,具有空间异质性、亚硝酸盐积累风险和不可逆的微生物演替特征。这些特点挑战了传统AI的假设,需要基于机制的建模,使发酵蔬菜成为推进智能食品制造的独特且不可或缺的试验平台。
**结论**
发酵蔬菜代表了一个高度复杂的固态发酵系统,其特征是微生物演替、底物异质性和非线性过程动态。尽管多组学、智能传感和机器学习的最新进展显著提高了风味预测能力,但大多数现有方法仍然主要依赖于相关性驱动,并缺乏足够的机制基础。本文强调,智能发酵中的根本瓶颈在于……
**作者贡献声明**
陈向伟:撰写 - 原稿准备;调查、数据管理。
李新诺:方法论、监督。
吴玉辉:调查、数据管理、形式分析。
张福生:监督、可视化、软件。
郑炯:资金获取、概念化、资源协调、撰写 - 原稿撰写;审稿和编辑。
**利益冲突**
作者声明他们没有已知的竞争性财务利益或个人关系可能影响本文报告的工作。
**致谢**
本工作得到了中国国家重点研发计划(项目编号2024YFD2101400)的支持。