《Food Bioscience》：Differentiating human milk and animal milk odor profiles and investigating influencing factors using electronic nose and machine learning
编辑推荐：
摘要区分人乳与动物乳的味道对于优化婴儿配方奶粉至关重要。本研究利用电子鼻和机器学习技术对303份人乳样本和1000份动物乳样本进行分类。支持向量机模型的整体准确率为80.3%，其中对动物乳的准确率高达88.3%。值得注意的是，阿尔卑斯荷斯坦奶的传感器响应模式与人乳最为相似。然而，
摘要
区分人乳与动物乳的味道对于优化婴儿配方奶粉至关重要。本研究利用电子鼻和机器学习技术对303份人乳样本和1000份动物乳样本进行分类。支持向量机模型的整体准确率为80.3%，其中对动物乳的准确率高达88.3%。值得注意的是，阿尔卑斯荷斯坦奶的传感器响应模式与人乳最为相似。然而，人乳的子组准确率仅为53.9%，这表明除了地理因素外，个体差异也很大。因此，研究还采用了随机森林模型来量化母亲的相关影响因素。分析结果显示，母亲的脂质摄入是影响人乳气味特征的最重要因素（标准化权重为0.3195），其次是蛋白质摄入（0.2637）和碳水化合物摄入（0.2156），这些因素的影响都大于地域和情绪因素。本研究建立了一种快速分类方法，并指出膳食脂质是人乳味道特征的主要决定因素。
引言
人乳被公认为是婴儿营养的最佳选择，它含有多种对婴儿生理和免疫系统发育至关重要的营养物质（S. Wang等人，2025年）。除了营养价值高之外，人乳的感官特性，尤其是其独特的挥发性成分，对婴儿早期的感官体验起着重要作用。婴儿在出生后几天内就能识别出人乳的气味，这有助于增强他们的吸吮反射并加深母子之间的联系。此外，这些味道体验还会影响婴儿断奶后的食物偏好，为其成年后的饮食习惯奠定基础（Beauchamp & Mennella，2011年）。
人乳的挥发性成分是由乳腺代谢产生的多种挥发性有机化合物共同构成的。这些化合物主要包括醛类、酮类、醇类、游离脂肪酸、硫化合物、酯类以及萜烯类物质（Sun等人，2023年；Yu等人，2023年）。此外，母亲的饮食也会影响人乳的挥发性成分。母亲饮食中的水果、蔬菜和香料等所含的异味物质会进入母乳中（Baglayici等人，2025年）。这样一来，婴儿就能体验到多种不同的气味，这与动物奶和婴儿配方奶粉相对稳定的挥发性成分有所不同。这种明显的差异导致了“味道差距”，使得纯母乳喂养的婴儿不太愿意接受配方奶粉（Wang等人，2024年）。控制这些味道差异的机制与母亲的生理状况和生活方式密切相关。母亲的饮食是主要影响因素，其中的挥发性化合物及其代谢物可以直接或经过生物转化进入人乳，从而为婴儿提供一种动态且随时间变化的化学感官来源（Debong & Loos，2020年；Hausner等人，2008年）。例如，即使短时间内摄入某些物质，如酒精，也会立即改变婴儿感知到的牛奶气味强度（Mennella & Beauchamp，1991年）。此外，宏量营养素的摄入量变化，尤其是脂质的摄入，也会改变牛奶中的脂肪酸组成，而这些脂肪酸则是形成有味道的挥发性化合物的前体。除了饮食之外，还有研究表明母亲的情绪状态也会对牛奶成分产生影响。心理压力，包括产后抑郁和围产期压力，会引发神经内分泌变化，进而显著改变人乳的生化成分（Skowron等人，2025年）。具体来说，母亲的应激反应会导致牛奶中的脂肪含量和长链不饱和脂肪酸含量发生波动，而这些物质正是脂质衍生气味物质的重要前体（Ziomkiewicz等人，2021年）。这些由压力引发的生理和代谢变化，间接地影响了牛奶的整体挥发性气味特征。要理解这些复杂的机制，从饮食中的香气传递到压力引发的代谢变化，对于解析人乳味道的巨大个体差异具有重要意义。
传统的味道分析方法，如气相色谱-质谱法，虽然有效，但往往耗时较长（Zheng等人，2024年）。电子鼻则是一种快速、全面的分析技术，它能模拟人类的嗅觉系统。通过生成独特的“数字气味指纹”，电子鼻能够捕捉到挥发性成分的总体特征，以此作为牛奶味道特征的替代指标，所产生的高维数据集需要借助机器学习技术才能进行分析解读（Han等人，2026年）。主成分分析和支持向量机这类算法对于从数据中提取模式非常重要（Li等人，2024年）。尤其值得一提的是，支持向量机在处理传感器阵列产生的高维、非线性数据方面表现优异，即使在样本量有限的情况下也能保持较高的准确率（Hu等人，2025年）。除了分类功能之外，随机森林这类集成方法还能提供有用的特征重要性指标，帮助定量评估影响分析结果的各种因素（Du等人，2024年）。通过分析众多决策树中的变量贡献度，随机森林可以定量排序各种影响因素，从而为探究人乳味道调控等复杂过程的关键因素提供有力工具。
以往的研究已经证明了将电子鼻与机器学习相结合的方法具有很大的潜力。在多种食品领域，这一方法已被广泛应用于追踪动物奶的地理或产地信息、分析饮料的味道特征以及检测肉类产品中的掺假行为，其鉴别准确率通常很高，大多超过90%，在某些情况下甚至接近97%（Men等人，2017年；Mu等人，2020年；Zhou等人，2024年）。在各种经过测试的算法中，支持向量机因其能够在样本量有限的情况下依然高效处理气体传感器阵列产生的高维、非线性数据，而多次成为表现最佳的分类算法。不过，目前针对人乳与多种动物奶之间差异的研究仍然较少，而且缺乏能够量化母亲各种影响因素权重的模型。
本研究采用了电子鼻系统与机器学习技术相结合的方法，以实现两个主要目标。首先，我们试图利用支持向量机构建一种快速的人乳和动物乳挥发性成分分类模型。考虑到学术界普遍认为人乳味道的个体差异远大于地域差异，我们认为仅依据产地进行分类可能无法获得很高的准确率。为了解决这个问题，我们的第二个目标是运用随机森林模型，深入研究并量化特定母亲因素（如膳食宏量营养素摄入量和情绪状态）的相对影响，而不仅仅是地域因素。这项研究的结果为人乳独特感官特性的形成机制提供了新的见解。
章节节选
样本与试剂
本研究共分析了来自中国6个城市、总计303份成熟人乳样本（分娩后14天以上），这些城市包括无锡（50份）、广州（53份）、长沙（50份）、合肥（50份）、沈阳（50份）和石家庄（50份）。人乳样本是在上午9点到11点之间，从30至36岁的母亲们那里通过电动吸奶器单侧挤奶获得的。为确保样本的代表性，每次挤奶都会直到奶水完全排出为止。
电子鼻传感器响应与主成分分析
电子鼻系统对不同类型的牛奶产生了不同的传感器响应模式，这反映了它们挥发性成分的差异（见表2）。传感器S8和S14分别对脂肪族化合物和多种挥发性有机化合物较为敏感，它们在大多数样本中都显示出最强烈的响应强度。这一结果与预期一致，即牛奶中的挥发性成分以醛类、酮类和脂肪酸为主。牦牛奶（HNY，
结论
本研究证明了将电子鼻与机器学习技术相结合的方法在区分人乳与各类动物乳方面的有效性。支持向量机模型实现了80.3%的较高整体准确率，其中阿尔卑斯荷斯坦奶的传感器响应模式与人乳有部分重叠。虽然这一定性结果为未来的婴儿配方奶粉研究提供了潜在思路，但其实际应用前景还需进一步探讨。
CRediT作者贡献说明
魏伟：撰写——审阅与编辑，概念构思。王兴国：项目管理。叶晓：监督指导。胡欣颖：可视化处理，正式分析。田世一：验证工作，数据整理。崔静伟：撰写——初稿撰写，实验研究，数据整理，资金筹集
利益冲突声明
作者声明自己没有已知的竞争性财务利益。
致谢
本研究得到了中国国家留学基金委员会的资助（资助编号：202506790058）。
Jingwei Cui|Xinying Hu|Shiyi Tian|Xiao Ye|Wei Wei|Xingguo Wang
江南大学食品科学与资源国家重点实验室，中国无锡214122
