基于HS-SPME-GC-MS谱图和机器学习技术的无破坏性VOC生物标志物方法用于番石榴品质评估

《ACS Agricultural Science & Technology》：Nondestructive VOC-Based Biomarker Approach for Guava Quality Assessment Using HS-SPME-GC-MS Profiling and Machine Learning

　　

番石榴（Psidium guajava L.）是一种营养丰富的热带水果，在鲜果市场中是一种重要商品。传统品质评估依赖于破坏性方法，如硬度、可溶性固形物和可滴定酸度，而香气虽然也与水果品质相关，却很少被利用。本研究调查了番石榴果实从绿熟期到衰老期的挥发性有机化合物（VOC）谱图，并提出了一种基于挥发物的无破坏性品质评价方法。研究人员使用顶空固相微萃取-气相色谱-质谱联用技术（HS-SPME-GC-MS）连续分析VOCs，并通过多变量分析识别出11个候选生物标志物，这些标志物能够区分优质和劣质果实。这些生物标志物被用于训练机器学习模型，预测准确率达到0.82至0.94。研究结果揭示了与番石榴品质相关的独特VOC模式，为番石榴品质评价提供了一种可靠且可扩展的工具。

**论文解读：基于HS-SPME-GC-MS谱图与机器学习的番石榴品质无破坏性VOC生物标志物方法**

**研究背景与问题**
番石榴（Psidium guajava L.）是桃金娘科热带果树，在全球70多个国家广泛种植，因其富含维生素C、膳食纤维、果胶及矿物质而备受青睐，鲜食或加工成果汁、果酱等产品均具重要经济价值。传统番石榴品质评估依赖破坏性指标（如果实硬度、可溶性固形物含量、可滴定酸度），这些方法不仅损耗样品，且无法反映与消费者偏好紧密相关的风味特征。香气由挥发性有机化合物（VOC）决定，是品质的关键指示因子，但此前在番石榴中尚未被系统用于品质分级。尤其对于非呼吸跃变型品种（如‘CHB’），其成熟过程中果皮颜色、质地变化微弱，导致新鲜度难以通过外观准确判断。已有研究初步揭示了番石榴在不同发育阶段VOC谱的差异，但尚未探讨衰老期VOC变化，更未建立基于VOC的生物标志物策略用于品质分类。因此，研究人员旨在系统解析两种代表性番石榴品种（呼吸跃变型‘IHB’与非呼吸跃变型‘CHB’）从绿熟到衰老的VOC动态，筛选通用生物标志物，并结合机器学习构建无破坏性品质评估模型。该研究发表于《ACS Agricultural Science》。

**关键技术方法**
研究人员从台湾宜兰县和彰化县的果园采集‘IHB’（16个果实）与‘CHB’（18个果实）的绿熟期果实，置于25°C下贮藏，分别于不同天数对应转色期（T）、完熟期（FR）、过熟期（OR）和衰老期（S）。VOC采集采用改良静态系统，每个果实单独置于密封玻璃罐内，顶空平衡45分钟后用SPME纤维（50/30 μm DVB/CAR/PDMS）吸附15分钟，随后注入气相色谱-质谱联用仪（GC-MS，Agilent 7890A/5975C）分析，色谱柱为DB-5MS UI（30 m × 0.25 mm × 0.25 μm）。数据经NIST17库鉴定（匹配度≥90%），以绝对峰面积定量。多变量统计分析包括主成分分析（PCA）、火山图、正交偏最小二乘判别分析（OrthoPLS-DA）及层次聚类。生物标志物筛选标准为：在两个品种中共同显著差异表达的VOCs（|log₂FC| ≥ 1，校正p ≤ 0.05）。机器学习模型涵盖决策树（DT）、线性判别分析（LDA）、随机森林（RF）、极限梯度提升（XGBoost）、正则化贪心森林（RGF）、支持向量机（SVM）、朴素贝叶斯（NB）、K近邻（KNN）、深度神经网络（DNN）及长短期记忆网络（LSTM），采用5折交叉验证和独立测试集评估性能。

**研究结果**
**3.1 品种‘IHB’与‘CHB’的成熟行为**
‘IHB’从绿熟期到衰老期需8 d，呼吸速率在4 d出现峰值（26.88 mL kg^-1 h^-1），乙烯产量急剧上升至1166.29 μL kg^-1 h^-1，果皮色调角从95.53降至73.63，呈典型呼吸跃变特征。‘CHB’需12 d，呼吸速率平稳，乙烯峰值仅355.0 μL kg^-1 h^-1，色调角从109.57降至86.04但外观仍保持绿色，为非呼吸跃变型。品质划分：绿熟至完熟期为优质，过熟及衰老期为劣质。

**3.2 VOC鉴定**
共鉴定279种VOCs，其中‘IHB’216种，‘CHB’180种，涵盖酯类（53种）、萜类（81种）、酮类（16种）、醇类（37种）、醛类（5种）、烷烃类（82种）、烯烃类（65种）、苯系物（57种）等。两品种共享117种VOCs；‘IHB’特有99种（>1/3为酯类），‘CHB’特有63种（不含酯或醛）。相对丰度分析显示，‘IHB’中醇、苯系物和酯类为主要组分，酯类占比在过熟期高达49.37%；‘CHB’中醇、苯系物和酯类占比低于‘IHB’，苯系物随成熟下降，醇类在衰老期升至27.26%。

**3.3 VOC排放定量**
‘IHB’各阶段总VOC排放量始终高于‘CHB’（5.10–1.97倍）。两品种从绿熟到过熟期排放趋势相似：先略降后上升，过熟期达绿熟期的2.55倍；衰老期趋势分异，‘IHB’下降而‘CHB’继续上升至绿熟期的3.16倍。

**3.4 VOC谱图揭示品种间差异**
PCA显示两品种样本清晰分离（前三主成分解释29.9%方差）。火山图分析发现‘IHB’中29种VOCs显著富集（包括酯类、萜类、醇类，赋予甜、果、花香），‘CHB’中20种VOCs显著富集（主要为烷烃，赋予青草味）。非呼吸跃变品种香气感知弱不仅源于VOC浓度低，还因分子多样性低及化学性质差异。

**3.5 与番石榴品质相关的判别性VOC生物标志物识别**
OrthoPLS-DA模型显示优质与劣质样本在两种品种中均显著分离。火山图筛选出‘IHB’优质果中14种VOCs富集（如樟脑、十二烷等），劣质果中25种VOCs富集（如乙酸己酯、桧烯等）；‘CHB’优质果中14种VOCs富集，劣质果中16种VOCs富集。维恩图显示两品种优质果共有3种共享VOCs，劣质果共有8种共享VOCs，提示品质劣化可能导致代谢收敛。最终选取11种共享VOCs（calamenene、nonanal、nonadecane、β-ionone、styrene、ethyl hexanoate、benzocyclobutene、2,3-butanediol、phenylethyl alcohol、sabinene、p-menthan-3-one）作为候选通用生物标志物。

**3.6 机器学习算法评估**
10种模型在独立测试集上准确率0.82–0.94，精度0.82–0.93，特异性0.85–0.93，召回率0.82–0.95，F1分数0.82–0.94，AUC值0.89–0.99，平均交叉验证得分0.77–0.89。树集成模型（RF、XGBoost、RGF）测试性能高但交叉验证得分偏低，提示过拟合风险；SVM、NB、DNN交叉验证稳定性好但峰值性能略低；LSTM表现最优（准确率0.91，AUC 0.99，平均交叉验证得分0.88），能有效建模特征间的复杂依赖和隐式序列模式，适合VOC生物标志物数据。

**3.7 与番石榴品质相关的VOC动态波动**
热图与层次聚类将VOCs分为两个分支：Clade I在优质阶段（绿熟、转色、完熟）相对丰度较高，Clade II在劣质阶段（过熟、衰老）显著升高。11种生物标志物广泛分布于不同分支，增强了对所有成熟阶段的判别能力。

**总结讨论与结论**
讨论指出，11种候选生物标志物在优质与劣质果实中的差异分布反映成熟行为的复杂性，并暗示可能存在共同的衰老相关代谢收敛机制。理解该机制有助于延缓采后劣变、延长货架期。机器学习分析显示模型性能良好，但样本量有限，未来需纳入更多品种（遗传背景和成熟行为多样）以扩大数据集，同时整合多组学（转录组学、蛋白质组学）揭示衰老机制。

**研究结论**：这项工作展示了基于VOC的无破坏性生物标志物方法用于番石榴品质评估的潜力。识别出的11个候选生物标志物在优质和劣质果实中呈现不同分布，凸显了番石榴成熟行为的复杂性，并提示可能存在由共同衰老相关机制调控的收敛代谢物谱。更全面地理解该衰老相关机制不仅有助于区分果实品质，还能提供延缓采后劣变的策略，从而延长番石榴果实的货架期。此外，机器学习分析证明了令人满意的模型性能；然而有限的样本量突显了需要更大数据集以进一步验证基于VOC的分类模型的稳健性和适用性。因此，未来研究应纳入更多具有不同遗传背景和成熟行为的番石榴品种，以扩展机器学习数据集并增强模型可靠性。同时，整合多组学方法（包括转录组学和蛋白质组学）对于阐明衰老相关机制及其调控和代谢通路至关重要。