食品掺假与污染的影响：健康、社会经济和立法层面

《Foods》：Impacts of Food Adulteration and Contamination: Health, Socio-Economic, and Legislative Aspects

　　

白酒（Baijiu）的香气源于其基质中多种挥发性与半挥发性微量组分的综合作用。单一的浓度值或气味活性值（OAV）无法充分表征某一化合物在特定样品中的相对重要性。研究人员利用包含5572种白酒香气相关化合物的知识库，开发了综合贡献排序模型和样品级强度预测模型。该模型整合了气味证据、分子结构、理化性质、挥发与分配特性、基质信息以及证据质量。综合贡献在此被定义为在指定模型设置下，由多源分子特征、浓度信息和基质条件获得的样品内相对排序指数，它并非对化合物真实感官贡献的直接测量。经数据标准化和特征可计算性筛选后，共有5568种化合物纳入评分器。在正式独立测试集的9000条记录中，R²、RMSE和MAE分别为0.952018、0.045684和0.036464。随后，研究人员采用全二维气相色谱–飞行时间质谱（GC×GC–TOFMS）分析了清香型、浓香型和酱香型白酒，共获得732种微量组分，其中三组样品分别检出191、474和510种。各样品组内的香气相关化合物按组内排序，选取前20种化合物，按其在原白酒中的半定量浓度进行重组。10名评价员的感官评定结果显示，清香型和浓香型重组样品的整体相似度评分分别为8.70 ± 1.16和9.20 ± 1.03，其10维感官剖面与原样品平均剖面的相关系数分别为0.988和0.992。酱香型重组样品的整体相似度评分为5.40 ± 1.26，在酸香、酱香与焙烤香、花果香之间观察到显著的比例偏差（p < 0.05）。这些结果表明，多源特征融合可为白酒中候选香气化合物的相对筛选和实验优先级排序提供可解释的基础。清香型和浓香型样品的排序获得了较强的感官支持，但不应将其解释为跨香气类型的绝对贡献。酱香型白酒的评价需要进一步纳入香气类型特异性先验信息、低OAV组分、组分间相互作用以及真实白酒基质的影响。

白酒是中国传统蒸馏酒，其香气由多种挥发性与半挥发性微量组分共同决定。目前常用的关键香气化合物筛选方法主要包括色谱-质谱联用、气相色谱-嗅闻（GC-O）、气味活性值（OAV）计算、香气重组与缺失实验等，但这些方法各有局限：OAV受阈值介质、评价人群和分析条件影响较大；GC-O难以完全反映液态白酒中化合物的释放行为；重组和缺失实验虽更接近感官实际，但成本高且依赖经验。因此，研究人员提出了一种基于多源分子特征融合的综合贡献排序方法，旨在为特定白酒样品中候选香气化合物的相对筛选和实验验证优先级提供可解释的排序基础。

该研究发表于《Foods》。研究人员利用包含5572种白酒香气相关化合物的知识库，构建了综合贡献排序模型和样品级强度预测模型，并将该方法应用于清香型、浓香型和酱香型白酒的实际样品分析。其核心目标是建立一种将大规模化合物信息与实际香气表现相连接的分析流程，包括知识库整理、多源特征融合、样品内相对排序和香气重组验证。

主要关键技术方法包括：（1）构建包含5572种化合物的香气知识库，整合分子描述符、指纹、力场能量、量子化学参数、挥发与分配性质、气味描述符、阈值及白酒中检出证据；（2）采用全二维气相色谱–飞行时间质谱（GC×GC–TOFMS）对三种香型白酒样品进行分离和鉴定；（3）基于摩根指纹和MACCS指纹的Tanimoto系数选择结构相似的内标进行半定量；（4）利用综合贡献评分模型对每个样品组内的化合物进行排序，并选取前20种化合物进行香气重组；（5）由10名经过培训的评价员进行感官评价，采用重复测量方差分析和配对t检验进行统计比较。样品队列来源为三种市售白酒：清香型为山西杏花村汾酒厂生产的汾酒，浓香型为宜宾五粮液股份有限公司生产的五粮液，酱香型为贵州习酒股份有限公司生产的习酒，每种样品设置3个分析重复。

### 3.1 三种香型白酒微量组分差异及潜在标志物筛选

通过GC×GC–TOFMS分析，研究人员在三种香型样品中共鉴定出732种微量组分，其中清香型检出191种，浓香型474种，酱香型510种。酱香型样品化合物覆盖面最广。PLS-DA分析显示，三种香型在得分图上分离明显，模型R²Y为0.999，Q²为0.998。VIP值大于1的化合物有366种，涵盖所有主要化学类别。乙基己酸酯在浓香型和酱香型中显著富集，而清香型中乙酸乙酯和高级醇相对丰富。这些结果表明，三种香型的差异主要体现在组分组合和比例上，而非简单的存在与否。

### 3.2 白酒香气化合物综合贡献排序模型的构建、参数优化与性能评估

研究人员从2002至2025年的文献中筛选出435篇相关研究，构建了包含5572种化合物的知识库，经数据清洗和特征可计算性检查后，5568种化合物纳入模型。模型整合了气味、理化性质、分子结构、基质和证据质量五个模块的信息，并包含23个样品级特征。在独立测试集的9000条记录中，R²为0.952018，RMSE为0.045684，MAE为0.036464。综合评分与浓度排序的Spearman相关系数在0.908至0.967之间，但前20名候选物与浓度排序仅有9至11个重叠，说明多源特征改变了排序。清香型前20名包括丁二酸二乙酯、乳酸乙酯、己酸等；浓香型以己酸乙酯、庚酸乙酯等酯类和酸类为核心；酱香型前20名分布更广，包括多种长链酯和D-甘露糖胺等。

### 3.3 感官重组结果及模型适用性分析

将各香型排名前20的化合物按半定量浓度添加至乙醇-水基质中，制备重组样品。感官评价结果显示，清香型重组样品AA与原始样品的整体相似度为8.70 ± 1.16，浓香型BB为9.20 ± 1.03，相关系数分别为0.988和0.992；而酱香型CC的相似度仅为5.40 ± 1.26，感官剖面相关系数为-0.060，表现为果香、花香和甜香过强，酸香和酱香-焙烤香不足。统计检验表明，AA和BB在10个感官维度上均无显著差异，而CC在果香、花香、甜香、酸香、酱香和醇香上均存在显著偏差。这表明所提出的排序方法能较好地重构清香型和浓香型白酒的主要香气结构，但对酱香型的适用性有限。

讨论部分指出，酱香型白酒重建效果较差可能源于其复杂的生产工艺和微生物群落所导致的广泛化合物网络，以及组分间相互作用、低OAV化合物和基质效应的影响。但研究人员强调，这些解释是假设性的，未通过直接实验验证。研究还指出，当前模型未包含明确的组分间交互项，且重组基质为简化的乙醇-水体系，未重建真实白酒中的非挥发性组分。这些局限性可能导致酱香型重组样品的香气比例失衡。结论部分指出，该研究开发的分析流程提供了可解释的化合物优先级排序方法，并非绝对感官贡献的度量。该流程可作为感官评价的补充，而非替代。对于清香型和浓香型样品，模型排序获得了较强的感官支持；对于酱香型，模型仍存在重要边界。未来研究需采用独立样品、同位素稀释定量、真实基质重组、添加-缺失实验以及微生物组和代谢组整合，以进一步提高模型的适用性和预测能力。