综述：解析食物腐败微生物群落的时空模式：整合多组学技术与人工智能以实现精准保鲜

《Food Quality and Preference》：Decoding the spatiotemporal patterns of food spoilage microbial communities: Integrating multi-omics and artificial intelligence to enable precision preservation

　　朱丹迪|谢静|李佩云|梅军•多组学与人工智能的结合有助于解析食品腐败微生物群的动态变化。•时空映射技术可揭示微生物的更替规律及代谢多样性。•本文提出了一种基于图神经网络与巴兰尼概念框架的方法，用于预测食品的动态保质期。•该框架将微生物机制与精准保鲜措施相联系。

引言在全球食品供应链中，由微生物引起的食品腐败一直是一个严重且长期存在的难题（Huanhuan等人，2024年）。根据联合国粮食及农业组织在“国际减少粮食损失和浪费日”发布的最新报告，从收割到零售环节，约有13.2%的食品（12.5亿吨）在供应链中丢失。与此同时，2022年在家庭、餐馆和零售领域被浪费的食品则超过10亿吨，占比19%（联合国粮食及农业组织，2025年）。这些损失和浪费很大程度上源于食品腐败。这一过程发生在加工、储存、运输或销售过程中，主要是由于微生物污染、酶活性或化学反应，最终导致食品的食用价值下降甚至完全丧失（Sonwani等人，2022年）。在这些因素中，食品微生物群的空间分布和时间动态是影响腐败进程的关键。这些微生物会分解营养物质并产生有害的代谢副产物，进而导致食品品质下降（Chi等人，2025年）。

参与食品腐败的微生物种类繁多，主要包括细菌和真菌（包括霉菌和酵母等）。其中，细菌是最常见的腐败诱因，尤其是在蛋白质和水分含量较高的食品中，它们能迅速繁殖。例如，假单胞菌因其耐寒酶以及利用多种底物的代谢多样性，成为冷藏鱼类和肉类腐败的主要元凶，它通过分解蛋白质和脂质产生挥发性有机化合物和有异味的物质（Demeshko等人，2024年）。大肠杆菌和沙门氏菌等致病菌则是肉类和乳制品中的常见污染物。它们的存在不仅会加速产品腐败并导致异味产生，还会带来食源性疾病的风险（Mancusi等人，2024年；Martín-Miguélez等人，2025年）。真菌因其强大的环境适应能力和代谢多样性，在复杂的生态系统中发挥着不可或缺的作用（Snyder等人，2024年）。霉菌通常在温暖、有氧且水活度较高的环境中生长，会产生菌丝和孢子，从而在食品上形成霉斑。某些霉菌还能产生霉菌毒素，对健康构成威胁（de Carvalho等人，2024年）。酵母则在糖分高且pH值低的食品中大量繁殖，它主要通过厌氧呼吸分解碳水化合物，使食品味道变差并产生气体（Park等人，2025年）。由于成分和储存环境的差异，不同类型的食品所涉及的腐败微生物也各不相同。在实际的食品系统中，食品腐败很少是由单一微生物引起的，而是微生物通过代谢相互作用和群体反应形成复杂的协同网络，共同推动腐败进程的发展（Roch等人，2025年）。然而，现有的研究方法在分析这类复杂网络时存在明显局限。

当前的研究受到传统培养技术的限制，这在生物多样性检测方面造成了较大偏差。相关研究表明，自然环境中存在着大量休眠状态或无法培养的微生物，其数量占所有微生物的99%以上。这些微生物生存的自然环境十分多样，包括各种极端环境。但传统培养方法依赖于人工设定的营养成分、温度、pH值等条件，无法完全模拟自然环境中的微生物生长条件。在研究过程中，这些无法培养或难以培养的微生物往往被忽视，从而影响了对系统中微生物群落的全面分析（Wang等人，2023年）。Fan等人（2020年）将传统培养方法与对中国传统曲料的宏基因组测序分析进行了比较，发现传统方法无法分离出无法培养的酿酒酵母和乳酸菌。这些方法还忽略了无法培养的微生物在生态相互作用中的关键作用。Xue等人（2021年）利用无需培养的分子技术来识别导致奶酪缺陷的低丰度微生物，他们最终发现牛奶中存在的未培养细菌群落也可能造成缺陷。这直接证明了仅依靠传统培养方法会遗漏那些难以培养但具有重要功能的微生物群体。

目前缺乏高分辨率的时空耦合分析方法，使得现有研究无法充分理解空间与时间之间的相互作用。这就导致了对腐败机制的静态描述，无法进行深入的动态分析。不过，Musse等人（2025年）成功捕捉到了番茄片在干燥过程中的组织演变和异质性特征。这表明微生物群落在食品基质中的分布并非均匀，而是通过生态更替形成了显著的异质性分布。这种异质性有多种表现形式。在空间维度上，食品基质的物理结构和化学性质存在显著差异，这些差异直接影响微生物的分布模式（Giraffa，2004年）。Li等人（2025年）揭示了在茅台酒发酵过程中，谷物内部酸度和温度分布不均所导致的微生物空间异质性和更替动态。但这项研究未能深入分析驱动更替的具体微生物种间相互作用的动态机制。Zhao等人（2023年）发现了豆瓣酱发酵过程中上下层之间氨基酸氮、酸度及微生物群落的显著空间异质性，但他们的分析主要基于相关性，未能阐明这些相互作用的具体动态过程和定量机制。在时间维度上，微生物更替是一个持续的多阶段过程。随着腐败进程的推进，微生物的多样性和丰富度会随着食品营养成分和环境条件的变化而不断改变（Wei等人，2021年；Zwirzitz等人，2022年）。一些学者注意到了这些问题并展开了相关研究。Patel等人（2025年）发现，经过超声波处理的样本对微生物群落组成随时间的变化较为敏感。这为利用超声技术有效捕捉微生物群落的动态更替过程提供了依据。Li等人（2025年）建立了一个每小时分辨率的预测模型，利用传感器获取的信号来监测牛肉中微生物的生长动态以及总活菌数的变化，从而成功将静态的新鲜度评估转变为动态评估。

尽管现有研究从空间或时间角度揭示了食品基质异质性或微生物动态更替的存在，但高分辨率的时空耦合分析方法仍然较为缺乏。目前大多数高分辨率的时空检测技术应用于材料科学、地球科学和天文学等领域，能够对研究对象进行超精确的时空分析，但其在食品微生物检测中的应用仍十分有限（Hu等人，2024年）。这一技术差距阻碍了食品科学领域对食品基质中微生物代谢活动进行高分辨率的时空分析，可能会影响我们准确识别微生物更替的关键环节和规律，进而妨碍我们对食品腐败机制的深入理解。

科学技术的进步催生了多组学技术和人工智能，为研究食品腐败微生物群带来了新的思路。多组学技术能够从不同层面获取大量数据，如微生物的遗传信息、表达模式和代谢物，这有助于我们了解微生物群落的组成、功能及其相互作用（Wassermann等人，2022年；Yuan等人，2023年）。人工智能强大的数据处理和分析能力使其能够从这些海量数据中提取隐藏的模式和关联，构建精确的预测模型，帮助我们更好地理解食品腐败微生物群的时空动态（Onyeaka等人，2025年）。将这两种技术相结合，打破了传统研究的束缚，为深入分析食品腐败机制以及精准预测和预防腐败奠定了坚实基础。

本研究旨在整合多组学和人工智能技术，构建一个涵盖从机制分析到智能预测的完整理论模型。该研究通过将空间代谢组学所捕获的微生物代谢产物的空间分布特征，与时间转录组学所追踪的基因表达动态变化深度结合，实现对腐败微生物群落的全面分析。该框架创新性地融入了人工智能技术，旨在精准揭示特定食品微环境中导致腐败的微生物群体的代谢活动的时空规律，并量化微生物-食品相互作用网络对腐败过程的动态驱动机制。最终，该研究提出了一种用于动态保质期预测的理论算法模型，将该微生物群落的时间空间动态数据转化为指导保鲜决策的实际依据。这为精准保鲜提供了理论支持，同时也架起了食品微生物基础研究与应用之间的桥梁，有效填补了这两个领域的空白。“多组学整合 - 人工智能分析 - 模型预测 - 工业应用”的闭环设计为食品腐败研究提供了一种新的研究范式。

片段内容

代谢活动的纳米级可视化为弥补高分辨率时空研究方面的不足，纳米二次离子质谱技术为在纳米级别上可视化单个细胞的代谢活动提供了有力工具（图1-a）（Yamborko等人，2026年）。该技术利用聚焦离子束轰击材料表面，随后在质谱仪中对喷射出的二次离子进行分析，从而获得关于样品表面亚细胞水平的元素信息（Nozoye等人，）

人工智能的数据类型人工智能模型预测食品腐败的准确性在很大程度上取决于输入数据的全面性以及输出结果的实用性。完善的数据系统不仅需要深入分析微生物群落本身，还需动态捕捉外部环境信息，这样才能生成既科学又具有实用价值的预测结果（Rashvand等人，2025年）。

易腐食品领域的相关人工智能方法需要指出的是，本文前面章节中介绍的集成多组学与人工智能的时空动态分析框架仍处于概念和理论探索阶段。迄今为止，尚无已发表的实验研究或实际应用能够证明该框架在真实食品系统中的可行性和有效性。虽然有一些现有文献试图将组学技术或机器学习方法应用于食品腐败研究。

挑战尽管在食品腐败微生物群的研究和应用方面已经取得了一些进展，但在数据覆盖范围、技术实现以及伦理规范等方面仍存在诸多瓶颈。这些瓶颈限制了高分辨率时空动态分析及精准预测模型的实际应用。首先，数据覆盖不全是目前研究中最突出的问题，尤其是针对特定食品类别的代表性食品，如昆虫类食品。

作者贡献声明朱丹迪：撰写——初稿撰写、研究工作、数据整理、概念构思。谢静：撰写——审阅与编辑、研究指导、方法设计、概念构思。李佩云：撰写——审阅与编辑、研究指导、资金筹集、概念构思。梅军：撰写——审阅与编辑、研究指导、资金筹集。

伦理审批本研究未涉及任何人类或动物实验。

资金来源本研究得到了上海市科学技术委员会[资助编号：24YF2716800]和上海市农业农村委员会[资助编号：T2025329]的支持。

未引用参考文献Li等人，2025年；Li等人，2025年；Siripatrawan和Makino，2024年。

利益冲突声明作者声明不存在任何可能影响本文研究工作的已知财务利益或个人关系。