《JOURNAL OF FOOD SCIENCE》：Vibrational Spectroscopy Predicts Antimicrobial Activity of Orange Peels: A Case Study on Batch-to-Batch Variation in Food By-Product Valorization
编辑推荐：
柑橘果皮是富含生物活性代谢物的重要农业工业副产物，但其抗菌活性的批次间变异限制了其稳定增值利用。本研究开发了一种快速的机器学习（ML）辅助光谱方法，用于预测橙皮副产物的抗菌活性。研究人员采用衰减全反射傅里叶变换红外光谱（ATR-FTIR）和拉曼光谱（Raman
柑橘果皮是富含生物活性代谢物的重要农业工业副产物，但其抗菌活性的批次间变异限制了其稳定增值利用。本研究开发了一种快速的机器学习（ML）辅助光谱方法，用于预测橙皮副产物的抗菌活性。研究人员采用衰减全反射傅里叶变换红外光谱（ATR-FTIR）和拉曼光谱（Raman spectroscopy）分析了15个柑橘品种，包括10个甜橙和5个柑。抗菌活性被划分为高活性组和低活性组，并构建了5种分类模型，包括支持向量机（SVM）、k近邻（KNN）、决策树（DT）、朴素贝叶斯（na?ve Bayes）和装袋树（BT）算法。ATR-FTIR光谱表现出比拉曼光谱更强的预测性能。最佳ATR-FTIR模型为SVM，其准确率为0.91，灵敏度为0.87，特异度为0.95，精确率为0.93，F1评分为0.90。其较高特异度表明错误筛选出抗菌性较弱批次的风险较低，这对于实际筛选至关重要。相比之下，基于拉曼的模型效果较差，其中BT取得最高准确率0.59，SVM取得最高F1评分0.58；后者的灵敏度为0.83，特异度为0.23。变量重要性分析表明，与酚类、黄酮类和碳水化合物相关官能团对应的光谱区域，是抗菌预测的重要贡献因素。超高效液相色谱-四极杆飞行时间质谱（UPLC-Q-TOF-MS）进一步支持了光谱解释，结果显示高活性样品中富集了黄酮类、酚酸类及相关代谢物。这些发现表明，振动光谱结合机器学习能够为评估橙皮副产物中的抗菌潜力提供一种快速且可扩展的筛选策略。
实际应用
本研究提供了一种利用振动光谱和机器学习评估橙皮副产物抗菌潜力的快速筛选方法。该方法有助于柑橘加工与食品工业识别具有前景的柑橘果皮批次，用于天然抗菌配料或食品安全相关产品开发等高附加值应用，同时减少对耗时生物测定的依赖。
该文发表于《JOURNAL OF FOOD SCIENCE》，围绕柑橘加工副产物中橙皮资源的高值化利用展开，核心问题是果皮虽富含黄酮类、酚酸类和精油等生物活性成分，并已被证明具有较强抗菌潜力，但其抗菌效果在不同批次之间存在显著波动。这种批次间变异（batch-to-batch variation）受到品种、产地、生长环境、采收成熟度及采后处理等多重因素影响，最终导致关键抗菌组分如黄烷酮糖苷、多甲氧基黄酮及挥发性萜类的丰度变化，使得橙皮副产物难以实现稳定、可重复的功能化利用。传统表征方式通常依赖溶剂提取和微生物抑菌实验，不仅流程繁琐、耗时较长，还不利于对新鲜或大批量果皮进行快速判别。因此，建立一种无需复杂前处理、能够快速反映化学组成并预测功能活性的筛选方法，成为食品副产物增值利用中的现实需求。
在这一背景下，研究人员提出，振动光谱（vibrational spectroscopy）所提供的分子指纹信息或可捕捉不同柑橘果皮批次之间的化学差异，并据此区分其抗菌活性水平。研究以橙皮（Citrus sinensis）为主要模型，同时纳入柑皮（Citrus reticulata）扩展分析范围，建立了一个基于衰减全反射傅里叶变换红外光谱（ATR-FTIR）与拉曼光谱（Raman spectroscopy）的机器学习（ML）预测框架，并将其与对鼠伤寒沙门菌相关菌株的抑菌数据相联系。研究结论显示，ATR-FTIR较拉曼光谱更适合用于橙皮副产物抗菌潜力的快速筛选，尤其在识别高活性批次方面具有更高准确率和更低误判弱活性批次的风险。进一步的变量重要性投影（VIP）分析与超高效液相色谱-四极杆飞行时间质谱（UPLC-Q-TOF-MS）代谢物验证表明，黄酮类、酚酸类、有机酸及相关极性代谢物是驱动抗菌差异的主要化学基础。该研究的重要意义在于，为柑橘副产物建立了一个快速、无溶剂、可扩展的数据驱动筛选平台，可在常规生物测定前实现批次优选，从而提高天然抗菌原料开发的效率与可持续性。
研究人员主要采用了以下关键技术方法：首先，收集15个具有不同地理来源的柑橘品种样本，包括10个甜橙和5个柑，并另设独立批次和未见样本用于外部验证；随后制备水提果皮提取物，以OD
600测定其对S. enterica serovar Montevideo BAA710的生长抑制率；对冻干果皮粉末分别进行ATR-FTIR与拉曼光谱采集，并经平滑、基线校正、归一化和主成分分析（PCA）处理；基于支持向量机（SVM）、k近邻（KNN）、决策树（DT）、朴素贝叶斯和装袋树（BT）建立二分类模型；最后结合UPLC-Q-TOF-MS、偏最小二乘判别分析（PLS-DA）及Spearman相关分析，对关键代谢物和光谱贡献区域进行化学解释。
3.1 Variability in Antibacterial Activity Among Citrus Peel Extracts
研究人员首先评估了15个柑橘品种果皮水提物的抗菌表现。样本覆盖北美、南美、欧洲、非洲及亚太地区主要柑橘产区，每个品种包含3个独立批次并进行重复测定。结果表明，各样品对沙门菌的生长抑制率呈单峰分布，中心值约为53%，均值为53.14%，中位数为53.34%，标准差为2.96%。基于这一分布特征，研究人员将53%设定为高低活性分类阈值，从而构建了7个高活性样品和8个低活性样品的平衡分类数据集。该结果说明柑橘果皮抗菌活性确实存在可观的批次与来源差异，也证明在增值利用前进行批次级筛选具有必要性。
3.2 Vibrational Spectral Fingerprints and Machine Learning Prediction
在完成抗菌表型划分后，研究人员使用ATR-FTIR和拉曼光谱对15个品种的果皮粉末进行分子指纹表征。光谱结果显示，不同样品间总体振动特征具有共性，但在局部峰强、峰形及谱图模式上存在细微差异。拉曼特征带主要集中于1600–1650 cm
?1和1000–1200 cm
?1，与黄酮类和酚类糖苷的芳香环C = C及C–O–C伸缩振动有关；ATR-FTIR则在约3300 cm
?1和1700 cm
?1呈现典型O–H和C = O吸收，对多酚和碳水化合物更为敏感。由于肉眼难以仅凭谱图判断活性差异，研究人员进一步构建5种监督分类模型。结果显示，基于拉曼光谱的模型总体区分能力有限，准确率为0.49–0.59，其中BT最佳，准确率为0.59，SVM的最高F1评分为0.58。相比之下，基于ATR-FTIR的模型显著优于拉曼，准确率达到0.68–0.91，其中SVM表现最佳，准确率0.91、灵敏度0.87、特异度0.95、精确率0.93、F1评分0.90。该部分结果表明，ATR-FTIR能够提供更稳定、更具功能相关性的化学特征，从而更有效地预测抗菌活性。
3.3 External Validation
为验证模型的稳健性与泛化能力，研究人员引入独立于建模数据集之外的外部样品进行验证，包括Barnfield、Mandarin Mini以及新增品种HMR与CN，其中部分样品虽与原数据中品种同名，但来源于不同批次。结果显示，建立的预测模型能够正确分类大多数外部样品，总体预测准确率达到92%。这一结果说明，基于ATR-FTIR的机器学习框架并非仅适用于训练集内部，而对未参与建模的独立批次也具有较好的判别能力。不过，作者同时指出，以BAA710菌株建立的模型仍具有明确的目标特异性，对于其他非训练菌株尚不能直接外推。
3.4 Feature Contribution and PLS-DA Clustering
在化学解释层面，研究人员利用UPLC-Q-TOF-MS数据进行偏最小二乘判别分析（PLS-DA），比较高活性与低活性样品的代谢谱差异。正负离子模式下的PLS-DA得分图均显示两组样品可明显分离，且PERMANOVA分析在正离子模式下F = 6.80、P = 0.002，在负离子模式下F = 4.15、P = 0.014，提示两类样品整体代谢组特征存在显著差异。与此同时，研究人员对光谱变量进行了VIP分析，以识别最能驱动模型分类的关键波数区域。拉曼模型中，重要特征主要集中在3200–3550 cm
?1，对应羟基O–H伸缩振动，反映黄酮、酚酸和糖类等亲水性化合物的存在。ATR-FTIR模型中，关键区域主要位于1650–1750 cm
?1和1000–1300 cm
?1，分别对应羰基/酯基的C = O伸缩振动以及糖苷和羧基结构相关的C–O–C、C–O振动。这表明富含羟基和羰基的极性官能团，是区分高低抗菌活性样品的重要光谱标志。
3.5 UPLC-Q-TOF-MS-Based Metabolite Annotation and Activity-Associated Compounds
为进一步验证上述光谱解释，研究人员选取3个高活性和3个低活性样品进行非靶向代谢组分析，共暂定鉴定出36种化合物。化合物分类结果显示，黄酮类占44.4%，为最主要类别；其次为萜类19.4%、香豆素类11.1%，另有木脂素、有机酸和苯丙烷类等。该分布说明柑橘果皮提取物富含含氧、结构多样的次级代谢物，尤其是黄酮及相关酚类。结合Spearman相关分析，柠檬酸、柚皮苷以及两种香豆素类化合物与抑菌率呈最强正相关，相关系数r = 0.94；corchoionoside C及其他黄酮相关代谢物也具有较高正相关性。热图结果进一步表明，高活性样品普遍富集多种与抑菌效应正相关的化合物。由此可见，橙皮抗菌作用并非来源于单一主导成分，而更可能由有机酸与酚性代谢物共同变化所形成的组合效应支撑。论文在结果层面据此确认，ATR-FTIR模型之所以具有较好预测能力，是因为其能够有效捕捉这些与抗菌功能密切相关的极性代谢特征。
在讨论部分，研究人员指出，本研究的创新性在于将振动光谱与抗菌功能评价直接耦合，用于食品废弃物增值利用中的快速筛查。既往研究虽然已证明振动光谱适于植物和食品基质的成分分析，也已有大量文献阐释柑橘来源代谢物的抗菌作用，但将光谱数据直接用于功能活性预测的工作仍相对有限。该研究证实，ATR-FTIR优于拉曼光谱，原因主要包括：其一，本研究鉴定出的关键抗菌代谢物如黄酮糖苷、有机酸和含氧香豆素富含O–H、C = O和C–O–C等极性官能团，这些振动在红外吸收中响应更强；其二，ATR-FTIR采集的是与晶体接触层整体的化学振动信息，较少受植物样品常见荧光和色素干扰；其三，极性植物化学物在红外中的吸收强度与浓度关系通常更线性，更利于建立定量相关。相较之下，拉曼信号对这些化合物较弱，且更容易受到局部非均一性与基质效应影响。不过作者也强调，拉曼并非没有分析价值，只是在本研究体系中与主导性差异信号的匹配度较低，仍可作为补充手段表征不同的分子振动信息。
论文同时指出若干局限性。首先，样本主要来源于新加坡零售市场可获得的柑橘品种和产地，尚不能完全覆盖更广泛的季节、产区和栽培变异；其次，代谢组学结果更多提供相关性支持，若要进一步明确具体代谢物与抗菌功能之间的因果关系，仍需更严格的代谢追踪或活性导向分离；第三，虽然作者测试了多种革兰氏阳性与阴性菌以及其他沙门菌血清型，但现有模型仅以S. enterica serovar Montevideo BAA710的抑菌数据训练，因此现阶段不应将其预测能力泛化至其他菌种或菌株。总体而言，研究建立了一个在特定生物体系内可行的功能预测框架，为后续拓展至多菌株或多物种预测奠定基础。
结论部分可译为：本研究系统评估了橙皮副产物抗菌活性的批次间变异，并开发了基于光谱辅助机器学习的快速活性预测策略。在来自主要柑橘产区的15个橙类相关品种中，研究人员观察到其对S. enterica serovar Montevideo BAA710的抗菌活性存在明确差异，支持在高值化利用前进行批次水平筛选的必要性。通过整合ATR-FTIR、拉曼光谱和分组机器学习验证，研究表明光谱指纹能够与功能性抗菌表现相联系。与拉曼光谱相比，ATR-FTIR在抗菌筛选中具有更大的实际应用潜力，因为其能够更可靠地区分高活性和低活性批次，并减少误选弱抗菌批次的风险。这些结果提示，在所测试的橙皮样品中，对红外敏感的官能团可能更能反映与抗菌活性相关的化学变异。VIP分析确定了与酚类、黄酮类、碳水化合物及相关官能团有关的光谱区域是分类的重要贡献因素。UPLC-Q-TOF-MS进一步支持了这一解释，表明高活性样品具有较高的黄酮类、酚酸类及其他相关化合物贡献。总体而言，本研究为柑橘果皮副产物抗菌潜力的快速、无溶剂筛选提供了一个实用框架。从应用角度看，该方法可作为常规抗菌实验之前的快速初筛工具，用于优先识别具有更高抗菌潜力的批次，从而减少重复生物测定的工作负担。
