《Bioresource Technology》：Deep neural network-based prediction of sauce-flavor
Baijiu fermentation process and regulation of flavor compound synthesis
编辑推荐：
•7轮数据揭示了微生物、理化特性及风味之间的相互作用规律。•随着发酵轮次增加，酸度上升，进而影响微生物动态与风味形成。•研究人员设计了基于深度神经网络的框架，用于预测并优化白酒的发酵过程。•借助深度神经网络进行概念验证，可提升模拟发酵过程中的乙酸乙酯含量。•功能预测表明，毕赤酵母
- •
7轮数据揭示了微生物、理化特性及风味之间的相互作用规律。
- •
随着发酵轮次增加，酸度上升，进而影响微生物动态与风味形成。
- •
研究人员设计了基于深度神经网络的框架，用于预测并优化白酒的发酵过程。
- •
借助深度神经网络进行概念验证，可提升模拟发酵过程中的乙酸乙酯含量。
- •
功能预测表明，毕赤酵母可能有助于提升酯类物质的代谢效率。
引言
酱香型白酒是中国传统蒸馏酒中的典型代表，其独特的香气源于多次固态发酵过程。这类白酒的酿造需经历七轮发酵，所有轮次共用同一批原料，而原料状态、发酵环境以及微生物群落的差异会导致不同轮次发酵过程和风味特性的区别（Wang等，2021；Wei等，2024）。
在酱香型白酒的酿造过程中，每轮发酵包含堆肥发酵和地缸发酵两个阶段。堆肥发酵在开放的有氧环境中进行，时长为3至7天；而地缸发酵则在封闭的无氧或微氧环境中进行，大约持续30天。地缸发酵是酱香型白酒生产中的关键环节，微生物的更替与乙醇及风味物质的积累密切相关。发酵初期以芽孢杆菌、毕赤酵母和酿酒酵母为主，同时乙醇含量逐渐上升；而在发酵中期到后期，丙酸乳酸杆菌开始占据主导地位，此时酸类和酯类物质的含量也会增加。然而，封闭的发酵环境使得发酵状态难以监测，工艺控制也存在困难（Chen等，2024）。目前，地缸发酵的实时监测主要依靠温度探针等嵌入式传感器来检测温度变化（Li等，2025b）。但由于地缸发酵是一个高度非线性、多变量且强耦合的生化过程，仅依靠温度监测无法全面反映影响发酵质量的关键因素。此外，目前控制发酵过程的方法主要是调整发酵原料的初始参数，比如在地缸发酵期间添加库德里亚夫采夫毕赤酵母和巴利酵母，可降低乳酸含量，同时提高乙醇及挥发性化合物的浓度（Wei等，2024）；适度提高发酵原料的初始含水量，则能提升乙酸乙酯、乙酸乳酸酯以及各类挥发性风味物质的含量（Wang等，2023a）。尽管调整发酵原料的初始属性是一种可行的方法，但不同轮次之间微生物数量、理化性质以及风味物质的差异，依然阻碍了对地缸发酵的精准调控。
随着人工智能的快速发展，深度学习模型（尤其是深度神经网络模型）已成为管理复杂系统的有力工具，在工业控制与优化领域展现出巨大潜力（Maimaitijiang等，2020）。与传统统计分析、支持向量机以及决策树这些浅层机器学习方法不同，深度神经网络能够自动从大规模多维数据集中提取关键特征，并精确捕捉变量之间的非线性关系（Siddique等，2025；Wang等，2025）。
这一能力使深度神经网络能够解决诸如预测发酵状态、调控风味物质合成等复杂任务。例如，经过超参数优化的深度神经网络模型已被成功用于预测实际废水处理厂中的甲烷生成量（Sadoune等，2023）。Shah等（2022）将动态模型与深度神经网络相结合，准确预测了工业化发酵过程中随时间变化的参数，在另外两批验证数据中，关键参数的均方根误差值分别仅为0.0625和0.0448；对于第二种发酵底物，该数值则为0.1279和0.1240。此外，一种基于深度学习的酸奶发酵系统能够实时监测数据，并高精度预测发酵过程中的pH值变化（测试集的均方根误差为0.079，R2值为0.990，平均绝对误差为0.073），从而实现发酵条件的自动调节，保障产品的品质与稳定性（Ray等，2026）。因此，应用深度神经网络为解决酱香型白酒地缸发酵中的两大难题——准确预测发酵过程以及调控风味物质合成——提供了切实可行的方案。
本研究开发了一种基于深度神经网络的框架，用于预测发酵过程并辅助优化酱香型白酒中的风味物质生成（见图1）。该框架整合了微生物群落更替、挥发性风味物质的变化以及理化参数等多维度数据。通过该深度神经网络模型，可以预测任意时间点的发酵参数，并为目标风味物质的生成提供调控策略。此外，本研究还提出了针对乙酸乙酯等关键风味物质的基于深度神经网络的调控策略，并分析了在深度神经网络引导下的微生物生态变化过程。
本研究为推动智能化发酵进程以及实现精准的风味调控提供了理论依据和数据驱动的解决方案。
章节要点
用于构建深度神经网络模型的样本采集
2023年至2024年间，研究团队从中国赤水河流域的一家知名酱香型白酒企业采集了发酵后的谷物样本。这些样本来自七轮发酵过程（R1-R7），采集时间点分别为发酵开始时、2天后、4天后、6天后、14天后、21天后，以及地缸发酵结束当日（R-Final）。每轮发酵的样本分别被标记为R-0d、R-2d、R-4d、R-6d、R-14d、R-21d和R-Final。样本采集自地面下0.4米处的位置。
酱香型白酒发酵过程中微生物群落的更替规律
本研究利用扩增子测序技术，分析了七轮酱香型白酒地缸发酵过程中的微生物群落组成，旨在揭示整个发酵过程中的微生物更替规律。其中占比最高的细菌属为丙酸乳酸杆菌、克罗彭施泰迪亚菌、弯杆菌、利莫西乳杆菌以及芽孢杆菌（见图S1a）。在第一轮发酵开始时，利莫西乳杆菌的相对丰度最高。随着发酵的推进，
结论
本研究构建了一个集成型的深度神经网络框架，用于连接酱香型白酒地缸发酵的发酵状态预测与目标风味调控。该模型利用七轮发酵过程以及多个发酵阶段的工业数据，捕捉了微生物、理化特性及风味之间的耦合关系。内部交叉验证显示，该模型的预测性能较为优异（皮尔逊相关系数为0.801，R2值为0.690，CCC值为0.783）。在后续生产数据的评估中，
CRediT作者贡献说明
马世远：撰写——审稿与编辑，撰写——初稿，可视化分析，方法设计，实验研究，数据整理，概念构建。程伟：方法设计，实验研究，概念构建。段忠富：方法设计，实验研究。黄丹：实验研究，概念构建。黄平：可视化分析，方法设计，实验研究，数据整理。李秋霞：监督指导，概念构建。曾思远：监督指导，概念构建。周荣庆：方法设计，概念构建。张亚东
利益冲突声明
作者声明，他们不存在任何可能影响本文研究结果的已知财务利益关联或个人关系。
致谢
本研究得到了四川省科技计划项目（2024ZYD0324）以及四川省酿造科学技术重点实验室的支持（NJ2024-01）。
马世远|程伟|段忠富|黄丹|黄平|李秋霞|曾思远|周荣庆|张亚东|牛娇|吴崇德|沈毅
