《Food Chemistry》：Machine learning-driven investigation of key flavor factors in pale lager beer fermentation samples and their evolution mechanisms during fermentation
编辑推荐：
•风味组学技术用于研究工业拉格啤酒发酵过程中的风味化合物变化规律。•麦香和酒花香被确定为啤酒发酵样本的核心感官特征。•机器学习模型能够准确预测与麦香和酒花香相关的关键化合物。•相关性分析明确了与关键风味化合物相关的加工参数。引言啤酒有着悠久的历史，其酿造历史可追溯至13,000年
- •
风味组学技术用于研究工业拉格啤酒发酵过程中的风味化合物变化规律。
- •
麦香和酒花香被确定为啤酒发酵样本的核心感官特征。
- •
机器学习模型能够准确预测与麦香和酒花香相关的关键化合物。
- •
相关性分析明确了与关键风味化合物相关的加工参数。
引言
啤酒有着悠久的历史，其酿造历史可追溯至13,000年前（Hong等人，2025年）。它是一种以麦芽、酒花及其他原材料为主要原料，通过煮沸、糖化、冷却和发酵等工艺制成的典型酒精饮料（da Silva等人，2024年；Yeo & Liu，2014年）。如今，啤酒已成为全球消费者广泛喜爱的酒精饮品（Huang等人，2025年；Nieto-Villegas等人，2024年）。在各类啤酒中，淡色拉格啤酒因其清澈的外观、较低的酒精度、清爽的口感以及广泛的适口性，成为国际上最畅销的啤酒品种（Suárez等人，2011年）。研究表明，淡色拉格啤酒含有丰富的营养成分，其中包括来自麦芽、水、酒花等原材料的数千种化合物，以及微生物（酵母）发酵过程中产生的大量生化反应产物（Seo等人，2020年）。由于淡色拉格啤酒中的风味化合物数量众多且复杂，加之它们之间存在着复杂的相互作用，因此保持高品质的淡色拉格啤酒风味一直是啤酒酿造行业面临的主要挑战之一（Jaskula-Goiris等人，2019年；Yuan等人，2025年）。不过，啤酒的风味质量被视为影响消费者饮用意愿和品牌接受度的关键因素。
啤酒中的许多化合物都是在发酵过程中形成的，而这些风味物质在发酵过程中的浓度变化也会直接影响最终啤酒的质量（Gagula等人，2024年）。因此，了解淡色拉格啤酒发酵过程中关键风味物质的分布规律及其影响因素，对于控制啤酒质量至关重要。已有不少研究聚焦这一领域，例如Yin Hua等人研究了在淡色拉格啤酒酿造过程中向麦汁中添加特定氨基酸（谷氨酸、脯氨酸、赖氨酸和缬氨酸）对发酵过程的影响，他们的研究结果表明，改变麦汁中的氨基酸组成会显著影响芳香物质的生成以及氮元素平衡的过程（Yin H等人，2018年）。Giuseppe Scioli等人则研究了在啤酒发酵过程中添加各种黄酮类物质以及牛磺酸、白藜芦醇和咖啡因等膳食补充剂对最终产品中黄酮类和酚类化合物含量的影响（Scioli等人，2022年）。此外，Munoz-Insa等人（2016年）还研究了麦芽加工参数（浸泡程度、发芽温度和时间）对啤酒中有助于形成光敏风味的物质（核黄素、半胱氨酸、甲硫氨酸、苯丙氨酸和谷胱甘肽）以及抑制光敏风味的物质（色氨酸和总多酚）含量的影响，并提出了避免出现光敏风味的可行策略（Munoz-Insa等人，2016年）。以往的研究虽然阐明了发酵过程中各种因素对最终啤酒风味的影响，但并未系统地展示整个酿造过程中淡色拉格啤酒发酵样本中风味化合物浓度的动态变化情况。鉴于淡色拉格啤酒的酿造是一个动态且连续的生化过程，风味化合物的浓度从开始到结束都会不断发生变化。因此，为了深入理解淡色拉格啤酒风味形成的机制，实现对酿造过程的精准控制并持续提升产品品质，迫切需要开展一项系统研究，分析整个淡色拉格啤酒生产过程中风味化合物的动态变化情况。此外，目前关于淡色拉格啤酒风味的研究大多在实验室和小规模酿造环境中进行，缺乏对实际大规模工业化酿造过程的研究，也缺乏对工业化生产过程中工艺参数与风味化合物浓度变化之间关联性的研究（Salazar等人，2021年）。然而，生产规模以及生产过程中所采用的工艺参数都会对啤酒风味产生显著影响（Kucharczyk等人，2025年）。因此，尽管这项工作存在诸多复杂性和挑战，但从动态角度研究工业化生产中影响淡色拉格啤酒发酵样本质量的关键风味因素以及影响这些风味因素的工艺参数仍然是十分必要的。与传统方法相比，机器学习具备特征提取、数据挖掘和建模等功能，擅长处理复杂的非线性关系，能更高效地处理大规模数据，提供更全面的评估指标，而且在模型性能优化方面具有更高的灵活性和精确度（Xie等人，2025年）。例如，Schreurs Michiel等人利用机器学习在啤酒中发现了几种特殊且出乎意料的化合物，这些化合物是影响啤酒风味和受欢迎程度的关键因素（Schreurs等人，2024年）。然而，一个关键的瓶颈在于无法将可解释的机器学习方法与定量感官评价方法系统地结合起来，这也就阻碍了对淡色拉格啤酒发酵样本中决定质量因素的有效预测。这一方法上的局限性进一步导致了对最终产品典型感官特征背后的关键风味化合物以及与这些关键风味化合物相关的工艺参数的分析不够充分，使得相关的风味形成机制仍不为人所熟知。
本研究的目标如下：（1）利用现代风味组学技术全面分析淡色拉格啤酒发酵阶段风味化合物的动态变化情况；（2）系统分析淡色拉格啤酒发酵样本的风味特征，精准识别与样本质量密切相关的核心感官属性；（3）通过机器学习建模建立复杂感官属性之间的定量关联模型，并通过验证实验确认感官特性背后的化学依据；基于这些研究结果，（4）实现风味化合物网络与质量指标体系之间的双向关联分析，从而明确相关工艺参数在提升淡色拉格啤酒风味质量中的作用。本研究旨在为淡色拉格啤酒的大规模生产建立一套科学严谨的质量监测与控制体系。
章节要点
样本采集
本研究的研究对象为在不同时间点采集的淡色拉格啤酒发酵样本，酿造原料包括大米、Copeland麦芽和Sladek酒花等。如图1所示，所选取的样本包括麦汁（标记为A），以及在酿造过程的第0天（B）、第1天（C）、第2天（D）、第3天（E）、第4天（F）、第5天（G）、第6天（H）、第7天（I）、第8天（J）、第9天（K）、第10天（L）、第13天（M）、第16天（N）和第29天（O）采集的发酵样本（这些样本共同构成了完整流程的数据集）。这些
淡色拉格啤酒发酵过程中酒精和酯类含量的变化
在啤酒中，酯类物质虽然含量极少，但仍是最重要的香气成分之一（Bennis等人，2024年；Li等人，2025年）。在淡色拉格啤酒的发酵过程中，大多数酯类的浓度呈总体上升趋势，不过不同酯类达到峰值的时间各不相同（图2a、c）。许多酯类在发酵初期就会迅速积累。对于一些典型的酯类而言，其浓度在最初的九天内大幅上升。之后
结论
本研究运用现代风味组学技术，系统分析了在淡色拉格啤酒发酵过程中15个时间点（从第0天到第29天）所采集样本中的风味化合物的动态变化规律。研究人员对包括酒精、酯类和有机酸在内的各类风味化合物的变化模式进行了系统描述。此外，还对淡色拉格啤酒发酵样本进行了感官评价，确定麦香和酒花香是
关于手稿准备过程中生成式人工智能及人工智能辅助技术的声明
在撰写本论文的过程中，作者们没有使用任何生成式人工智能或人工智能辅助技术。
CRediT作者贡献说明
谢江：写作——审阅与编辑，写作——初稿撰写，方法学，研究实施，数据整理，概念构建。尹瑞阳：正式分析，数据整理。袁欣：可视化，软件应用。钟博峰：可视化，软件应用。郭丽云：可视化，软件应用。宋玉梅：正式分析。田文静：正式分析。陈一宇：可视化，软件应用。凌凯奇：监督，概念构建。赵东瑞：监督，资源协调。孙宝国：正式分析。孙金远：
未引用参考文献
Bai等人，2025年
Bouzembrak等人，2024年
Mahynski、Strojnik、Shen和Ogrinc，2025年
Wang等人，2024年
Wang等人，2023年
利益冲突声明
作者声明自己不存在任何可能影响本文研究结果的已知利益冲突或个人关系。
致谢
本研究得到了中国国家自然科学基金（项目编号32572737）、中国国家自然科学基金（项目编号32322068）以及国家关键研发计划（项目编号2022YFD2101205）的支持。
谢江|尹瑞阳|袁欣|钟博峰|郭丽云|宋玉梅|田文静|陈一宇|凌凯奇|赵东瑞|孙宝国|孙金远|黄明权|孙晓涛
