综述：用于优先评估葡萄种质资源生物活性潜能的功能化学型鉴定与综合模型

《TRENDS IN FOOD SCIENCE & TECHNOLOGY》：Functional chemotyping and integrated models for prioritizing grape germplasm bioactive potential

　　

摘要

背景：葡萄种质资源含有多种生物活性化合物及与品质相关的成分，包括酚类、花青素、白藜芦醇、种皮单宁、种子脂质、脂肪酸、糖类、有机酸、氨基酸、矿物质以及与香气相关的代谢物。然而，许多研究仍将这些资源描述为成分目录或单指标排名，而非面向决策的功能性资源体系。

范围与方法：本文这是一篇批判性叙事性综述，采用结构化、透明的文献检索与筛选流程，探讨如何将葡萄种质成分转化为功能性化学型及应用导向的优先序。综合了葡萄成分、果实品质评价、化学计量学、多准则决策模型、机器学习、功能性食品及生物学验证等方面的证据，重点关注数据标准化、证据层级、化学型稳定性与可重复性。机器学习被视为有边界限制的分析与解读层，而非本综述的核心承诺。

主要发现与结论：功能性化学分型为成分分析与资源筛选之间提供了中间层，但统计推导出的聚类只有在其标记物、应用背景、应用相关性及稳定性得到支持时，才能被称为功能性化学型。综合模型可以通过声明指标方向、归一化、权重、缺失值、不确定性与验证情况来提高透明度。提出的葡萄功能性生物活性优先评分将应用导向的效用与证据置信度分开，旨在为后续测试优先排序候选资源，而非衡量健康功效。可靠的转化还需要经过身份认证、元数据可互操作、多环境证据支持以及阶段性验证，以区分成分分析、感官证据、消化与代谢、真实暴露量与功效验证。

引言：葡萄种质资源是一个化学多样性丰富的水果资源体系，对鲜食消费、葡萄酒生产、食品配料及高价值副产物利用具有重要意义。除了常规品质性状外，葡萄果实和种子含有酚酸、黄酮醇、花青素、白藜芦醇、黄烷-3-醇、原花青素、种子脂质、脂肪酸、糖类、有机酸、氨基酸、矿物质及挥发性化合物。这些成分已在栽培品种面板、种质资源库、加工流程及葡萄衍生产品中得到了研究（Cantos等，2002；Liang等，2011；Pinasseau等，2017；Zhou等，2022；de Almeida Sousa Cruz等，2024）。累积证据显示出强烈的成分多样性，但也暴露出了方法论瓶颈：高维化学信息往往被转化为简单的排名或描述性聚类，对决策逻辑、验证就绪度和应用背景的关注有限。

现有综述已经总结了葡萄生物活性化合物、健康相关潜力及食品应用，包括富含酚类的提取物、葡萄籽产品和酒渣增值利用（Zhou等，2022；de Almeida Sousa Cruz等，2024；Lopes等，2025）。这些贡献是有价值的，但它们主要回答了存在哪些化合物以及报告了哪些生物活性。一篇近期的综述还综合了机器学习赋能技术在葡萄园传感、精准种植、发酵监测和酿酒优化中的应用（Li等，2026）。这种技术链视角与本综述关于证据约束的功能性化学型及应用导向的种质资源优先排序的关注点互补，但有所不同。一个对种质资源研究越来越重要的问题是：如何将多成分指纹转化为可信的功能性食品开发、机制测试或以育种为导向的资源利用优先事项？具有高总酚、高花青素或高种油的资源并不自动成为最佳候选，因为功能性价值还取决于化合物多样性、组织定位、可提取性、稳定性、生物可及性、支持性证据及验证可行性（Manach等，2005；Granato等，2020）。

本综述认为，葡萄种质资源评价应从成分主导的编目转向面向模型的功能性化学分型。这里将功能性化学分型定义为基于组织感知、方法感知和证据感知的生物活性成分模式，将葡萄资源分类为与应用相关的化学表型。该概念不同于品种描述，因为它关注功能性特征而非名称或使用类型。它也不同于无监督聚类，因为化学型应该是可解释的、与应用关联的并且开放于验证。综合评估模型可以支持这一转变，机器学习可以协助非线性模式解读，前提是预处理器和特征选择调优被包含在验证范围内，性能不确定性和可迁移性得到报告，并且特征归因不被解释为生物机制（Breiman，2001；Chen & Guestrin，2016；Lundberg & Lee，2017；Varma & Simon，2006；Vabalas等，2019）。

本综述的目标是开发一个批判性的、可全球推广的框架，以优先排序葡萄种质资源的生物活性潜力。第2节报告结构化综述方法学和文献检索策略。第3节建立身份与溯源治理、条件基因组整合及应用特定资源模块；第4节评估指纹构建与分析约束；第5节定义证据约束的功能性化学型及其稳定性要求；第6节考察综合评估、葡萄功能性生物活性优先评分和边界受限的机器学习解读；第7节将优先排序与感官、消化、代谢、暴露和功效验证区分开来；第8节确定报告、稳健性和转化优先事项。未呈现接入级别的排名或未发表的样本身份。

图1总结了本综述的数据架构：身份和背景决定了哪些证据可以进行比较，而化学、葡萄酒学、可选基因组及质量基础设施层支持问题特定的输出，而非重复的线性流程。

片段摘录

综述方法与文献检索策略

本文是一篇批判性叙事性综述，辅以结构化、透明和可重复的文献检索策略；不作为PRISMA合规的系统性综述呈现。主要检索窗口为2000年1月1日至2026年8月4日。2000年前的文献仅在通过反向引文追踪确认其对葡萄身份、多酚、感官科学或分析方法学具有基础性作用时才予以考虑。研究论文要求提供英文全文，并且

葡萄种质作为多维功能性资源体系

葡萄种质资源应被视为一个多维功能性资源体系，而非一个品种或接入品清单。这样的体系至少包括四个相互作用的层次：种质层，包括鲜食品种、酿酒品种、兼用品种、葡萄干品种、地方品种、野生品种和杂交品种资源；组织层，包括果皮、果肉、种子、果梗和酒渣；化学层，涵盖次生代谢物、初生代谢物、脂质、矿物质和挥发性化合物；以及应用层，包括鲜食、

多维生物活性指纹：超越单成分分析

生物活性指纹在此定义为经过组织注释且具有方法意识的成分谱，它捕捉了功能相关化合物类别的丰度和结构。对于葡萄种质资源，主要指纹模块包括酚类与黄酮类化合物、花青素、白藜芦醇类、种皮单宁和原花青素、种子脂质和脂肪酸、营养风味代谢物、矿物质及与香气相关的化合物。指纹分析的目的不仅仅是增加更多

从统计模式到证据约束的功能性化学型

统计上分离的组并非自动成为功能性化学型。本综述使用四个证据等级。CT0表示来自单一数据集或单一环境的探索性成分模式。CT1表示具有可解释的标记物/模块特征以及对重采样和合理预处理的稳健性的暂定化学型。CT2表示具有应用相关性和跨独立年份、独立场所复制支持的环境支持型功能性化学型。

用于葡萄功能性资源优先排序的综合评估模型

由于单指标排名和可视化聚类无法解决功能性资源选择的完整复杂性，因此需要综合评估模型。核心问题是，如何将异质的但具有功能意义的指标转化为透明的、可重复的和面向验证的优先事项。这需要分阶段的工作流：数据标准化、发现模式、定义化学型、应用多准则决策模型、仅将有边界限制的机器学习用于模式识别

从气味活性筛选到感官和消费者验证

化学浓度是香气筛选的起点，而非感官解读的终点。实用的证据阶梯分为五个层次：S0化学丰度；S1估计的OAV/ROAV筛选；S2气相色谱嗅闻分析和/或经过培训的描述性感官证据；S3带有靶向缺失或添加的香气重组/重建；以及S4消费者享乐证据。阈值来源和基质应在S1阶段报告，因为气味阈值和顶空气体分配

挑战与未来展望

第一个挑战是分析互操作性，而不仅仅是单位转换。采样成熟度、组织、提取方法、分析模式、校准、基质效应、质控设计、批次结构、样本基础、鉴定置信度、预处理和缺失值语义必须在跨研究整合之前得到充分记录。一个实用的整合门槛应该将每个变量分类为通过、分层或不可合并。当桥接信息缺失时，应在研究水平上分别

结论

葡萄种质资源含有多种生物活性及与品质相关的化合物，但可靠的优先排序需要经过身份认证的品种、可互操作的指纹、证据约束的化学型稳定性以及与预期应用相匹配的验证。香气证据应区分化学丰度和OAV筛选与经过培训的感官分析、因果重组/缺失实验及消费者偏好。营养证据应区分成分

未引用的参考文献

国际葡萄与葡萄酒组织，2010；国际葡萄与葡萄酒组织，2019；国际葡萄与葡萄酒组织，2023；国际葡萄与葡萄酒组织，2026；国际标准化组织，2014；国际标准化组织，2016；国际标准化组织，2023；国际植物新品种保护联盟，2008；OECD/欧盟/欧委会联合研究中心，2008。

作者确认

所有作者均已审阅并同意上述贡献声明。

数据可用性

数据将在合理要求下提供。

CRediT作者贡献声明

杜华文：概念化、方法学、调查、数据管理、可视化、原稿撰写。
姜洁：调查、审阅与编辑。
秦一：方法学、调查、审阅与编辑、经费获取。
刘彦林：调查、审阅与编辑、经费获取。
宋宇洋：概念化、方法学、调查、审阅与编辑、经费获取、项目管理。

生成式AI和AI辅助技术在写作过程中的声明

在准备本稿件期间，作者使用了OpenAI ChatGPT进行语言编辑、结构组织、格式化和一致性检查。使用此工具后，作者对内容进行了审阅和必要的编辑，并对稿件承担全部责任。OpenAI ChatGPT未被用于生成或修改正式提交的图表（图1、图2、图3、图4）。

资助

本工作得到了国家重点研发计划（项目编号：2024YFD2100601）和西安市科技计划项目（项目编号：2025NY10）的支持。

利益冲突声明

作者声明没有已知的竞争性经济利益或个人关系可能会影响本文所报告的工作。

致谢

作者衷心感谢国家重点研发计划（项目编号：2024YFD2100601）和西安市科技计划项目（项目编号：2025NY10）提供的财政支持，这些项目支持了本综述的撰写。

杜华文 | 姜洁 | 秦一 | 刘彦林 | 宋宇洋

西北农林科技大学葡萄酒学院，陕西省杨凌区农科路22号，邮编712100，中华人民共和国