从多学科视角看茶风味化学的挑战与可能性

《Beverage Plant Research》：Challenges and possibilities in the chemistry of tea flavor from a multidisciplinary perspective

　　

自21世纪之前，茶的需求就因健康益处和风味品质而持续增长，这些均依赖于茶风味化学研究的发展。自19世纪40年代以来，研究人员已鉴定出众多与风味相关的茶化合物，如儿茶素（catechin）、茶黄素（theaflavins）和芳樟醇（linalool），这些成果通过应用天然产物化学（natural product chemistry）得以实现。然而，仍有许多挑战有待解决。随着跨学科研究的发展，神经科学（neuroscience）和机器学习（machine learning）已广泛应用于各领域并取得显著进展。茶化学研究将从这些学科的更深入输入中获益。基于此视角，研究人员希望整合前沿和跨学科方法，以解决长期存在的科学和工业问题。

**论文解读：从多学科视角看茶风味化学的挑战与可能性**

**研究背景与问题**
茶源于中国，是全球最重要的饮料和贸易商品之一。自20世纪40年代至90年代，英国和日本科学家将茶定性为富含多酚和芳香化合物的植物，并逐步纯化鉴定了多种茶叶主要代谢物。这些挥发性与非挥发性成分通过香气、滋味和色泽共同构成茶的整体风味。例如，芳樟醇（linalool）是早期发现的茶香标志性化合物，主要贡献高级茶产品的花香特征；茶黄素（theaflavins）是红茶中重要的风味和健康相关色素，由焦棓儿茶素和儿茶酚儿茶素通过苯并卓酚酮骨架形成。此外，20世纪末随着对代谢疾病、慢性病和肿瘤预防意识的增强，茶提取物及其活性成分的健康益处（如抗氧化、抗炎、降脂、降血糖及抗肿瘤能力）受到更多关注。然而，传统有机化学、天然产物化学和感官科学的框架逐渐显现出局限性，包括但不限于：儿茶素（catechin）的最终命运、茶红素（thearubigins）的结构解析以及茶风味的跨感官整合（multisensory integration）。因此，跨学科研究与方法的需求迫在眉睫。

**研究内容与结论**
本文是一篇视角（perspective）论文，研究人员从多学科视角探讨茶风味化学的挑战与可能性，提出三大方向：多感官整合、标记儿茶素追踪（正向分析）以及人工智能驱动的反向分析。研究认为，茶风味化学的两大基本问题在于风味物质本身及其被人类感知的机制。通过引入代谢组学、有机化学和分析化学的方法，这些问题已取得显著进展，但跨学科研究仍需深化。多感官整合和基于图神经网络（graph neural networks, GNNs）的深度学习模型有望为这两大问题提供新见解。该论文发表在《Beverage Plant Research》上，旨在为茶风味化学研究者提供前瞻性思路，推动跨学科方法的应用，从而阐明并促进茶风味研究。

**关键技术与方法**
研究人员主要采用以下技术方法：
1. **多感官整合分析**：基于神经科学和感官科学，结合视觉、嗅觉和味觉的多感官交互，通过阈值实验和脑电图（electroencephalogram, EEG）分析探索风味感知机制。
2. **正向分析（Forward Analysis）**：利用卤素标记（Cl或F）通过亲电取代反应引入儿茶素，结合质谱（mass spectrometry）或核磁共振（nuclear magnetic resonance, NMR）进行非靶向代谢组学追踪，以解析儿茶素在加工中的命运。
3. **反向分析（Reverse Analysis）**：基于图神经网络（GNNs）的深度学习模型，通过节点（原子）、边（化学键）和全局特征（分子整体性质）的学习，预测未知儿茶素低聚物（如茶红素）的形成机制和产物性质。

**研究结果**

**多感官整合**
研究人员指出，尽管茶中已鉴定出一系列风味化合物，但化合物间相互作用及与人体感知的关联仍不明确。近期研究提出联觉（synesthesia）不仅是概念，更是多感官（视觉、嗅觉、味觉）整合的神经基础。例如，茶汤中甜味物质总含量远低于阈值，但人类仍能感知甜味，可能源于芳香化合物降低了甜味阈值或增强了甜味感知。然而，茶风味多感官整合在人体中的建立和运作机制仍是巨大空白。目前，基于纳米技术的传感器难以模拟人工系统，大规模神经特征调查与算法开发是多感官整合研究的基石。从经济角度，阈值实验和EEG分析等基础感官科学实验更为可行。

**标记儿茶素追踪：正向分析**
儿茶素占干茶叶的12%–24%，是茶中最重要的化合物之一。通过高通量质谱、代谢组学和天然产物化学，已发现大量儿茶素低聚物，但多数儿茶素无法追踪至最终产物。研究人员提出标记追踪方法：利用儿茶素A环C-6和C-8位的强亲核性，通过亲电取代反应引入卤素（Cl或F），使质谱或NMR追踪可行。卤素标记儿茶素可添加至鲜叶中，经加工后通过质谱或NMR分析，对小分子进行非靶向代谢组学，对纤维素、木质素等非质谱友好分子采用红外光谱或NMR追踪。

**人工智能的影响：反向分析**
反向分析是从儿茶素低聚物回溯至儿茶素。此前已鉴定出N-乙基-2-吡咯烷酮取代黄烷-3-醇（N-ethyl-2-pyrrolidinone substituted flavan-3-ols, EPSFs）和茶黄素等产物，但未知结构（如茶红素）的机制推断面临成本和可扩展性瓶颈，且学习曲线陡峭。机器学习（machine learning）作为人工智能（artificial intelligence, AI）分支，可通过图神经网络（GNNs）对分子图（原子为节点、化学键为边、分子整体性质为全局特征）进行学习与预测。基于儿茶素产物建立的工作流，经过大量训练和迭代，可学习产物形成机制，预测输出物的全局性质（如颜色、反应位点），从而强化对多酚聚合物（如茶红素）的分析。

**讨论与结论**
讨论部分强调，茶风味化学的两大基本问题——风味物质及其人类感知机制——依赖于多学科方法。代谢组学、有机化学和分析化学的引入已取得显著进展，但跨学科研究永不止步。多感官整合和基于GNN的深度学习模型是本文简要介绍的方向。结论部分翻译如下：茶风味化学依赖于两个基本问题：基本风味物质以及人类如何感知这些风味物质。代谢组学、有机化学和分析化学方法的引入在解决这两个基本问题上取得了显著进展。尽管茶风味化学本身是多学科的，但跨学科研究将不断发展。本文简要介绍了多感官整合和基于GNN的深度学习模型，旨在为茶风味化学研究者提供洞察与前瞻，希望更多跨学科方法被引入以解决这两个基本问题，从而为阐明和促进茶风味做出贡献。