综述：发酵肉制品挥发性风味形成机制及人工智能预测展望

《Meat Science》：Mechanisms of volatile flavor formation in fermented meat products and prospects of artificial intelligence-based prediction

　　**要点**- 系统回顾了发酵肉制品中挥发性风味的形成途径。- 提出食品组学框架，将加工工艺、微生物、挥发性物质与感官品质相互关联。- 人工智能模型可支持风味预测、成熟度评估及关键因子筛选。- 标准化数据与可解释的多模态模型是未来工作的重点。## 引言肉类及肉制品是人类饮食中优质蛋白质、必需氨基酸、脂溶性维生素及矿物质的重要来源（Badar, Liu, Chen, Xia, & Kong, 2021）。发酵是肉类的重要加工方式之一（Zhao et al., 2024）。发酵肉制品可界定为其特征风味通过受控或自发起始的发酵，以及/或延长腌制、干燥与后熟而形成的哺乳动物肉制品。因此其范围包括干发酵香肠、发酵或干腌火腿、发酵或干腌培根、酸肉，以及相关的猪肉、牛肉、羊肉和牦牛制品。风味是评价发酵肉制品品质特征的关键指标（Zhao et al., 2024）。挥发性化合物是构成香气特征谱的关键组分，其种类、浓度及相互作用决定了产品最终的香气特征与感官品质（Chen et al., 2025）。发酵肉制品中挥发性风味的形成受相互关联的生物化学与物理化学过程支配，包括蛋白水解、氨基酸转化、脂质水解与氧化、微生物代谢、酯化以及类Maillard反应（Zhao et al., 2024）。其速率与相对贡献还进一步受生肉组成、脂肪含量、发酵菌剂、配方、含盐量、水分活度、温度、湿度、氧气供给以及发酵或后熟时间的影响（Belloch, Neef, Salafia, López-Diez, & Flores, 2021; Liang et al., 2025; Wu et al., 2024; Zhao et al., 2024）。由于这些变量同时演变，且在不同产品类型与生产批次之间存在差异，风味的形成表现出强烈的时间依赖性、非线性相互作用以及产品特异性的演化轨迹。传统的单平台分析与以终点为导向的统计比较可以刻画单一化合物或相关性，但仅凭这些方法无法整合异质的数据层次、区分直接风味驱动因素与间接驱动因素，也无法预测风味在发酵阶段、生产批次与产品类型之间的变化。气相色谱-质谱联用（GC–MS）、气相色谱-离子迁移谱（GC-IMS）、气相色谱-嗅闻（GC-O）、电子鼻、感官评价、微生物测序以及代谢组学与脂质组学，为挥发性风味的形成提供了互补信息。食品组学为将这些分析输出与原料特性、加工条件、物理化学状态、微生物生态、分子转化及感官感知相整合提供了总体框架。在这一框架下，发酵肉制品研究中的风味组学强调对挥发性化合物、前体代谢物、气味指纹以及与感官相关的标志物进行系统性表征，而非将各分析输出视为独立的信息来源。例如，Ma等人（2025）将电子感知、GC-IMS、GC–MS与细菌群落分析相结合，刻画了猪肉酸肉发酵过程中挥发性化合物的阶段性变化与菌群演替，展示了以产品为针对性、基于多源证据的方法在理解风味形成方面的价值。机器学习辅助的代谢组学方法进一步为复杂食品基质中的光谱处理、多变量模式识别、样品分类、生物标志物发现以及化学特征谱的解析提供了工具（Picone, 2026; Picone, Mengucci, & Capozzi, 2022）。人工智能还可支持非线性关系建模、多模态数据整合、特征优先排序，以及基于物理化学、微生物、代谢组、挥发性物质与感官数据的预测任务。然而，针对发酵肉制品体系的直接人工智能研究仍然有限。现有研究通常涉及规模较小或仅单批次的数据集，更关注区分或分类性能而非机理与感官相关性，且往往未能清晰区分探索性多变量分析与预测建模。模型在不同产品、加工条件、分析平台与生产批次之间的可迁移性也尚未得到充分评估。因此，本综述将直接针对发酵肉制品开展的研究作为主要应用证据，仅保留少量来自其他食品体系的研究——条件是这些研究展示了在发酵肉制品研究中仍不充分的独特方法学能力。此类研究被视为方法学先例，需要通过产品针对性的校准与外部验证，而非直接证明其适用性。已有综述分别讨论了发酵肉制品中微生物对挥发性化合物的调控，以及人工智能在食品风味研究中的一般性应用。然而，鲜有综述在统一的发酵肉制品框架内，系统地将风味形成机理、面向人工智能的数据组织、任务针对性的模型选择、感官解释与外部验证相互连接。因此，本综述旨在：（1）总结主导发酵肉制品风味形成的主要挥发性化合物、生物化学途径、微生物驱动因素与加工因子；（2）建立以食品组学为导向的数据框架，将工艺参数、物理化学状态、微生物组与分子数据、挥发性物质谱以及感官标签相连接；（3）区分探索性多变量方法与预测性的机器学习及深度学习方法，并批判性评估其在特定任务中的应用；（4）识别当前在感官整合、可解释人工智能、数据协同、外部验证、模型可迁移性以及智能化工艺调控等方面存在的局限与未来需求。## 章节摘要### 挥发性风味化合物的主要类别发酵肉制品中含有种类繁多的挥发性化合物，包括醛类、酮类、醇类、酸类、酯类、含硫化合物、含氮化合物、萜烯类及其他化合物。挥发性化合物对整体风味特征的影响不仅取决于其浓度与气味阈值，还取决于挥发性组分之间复杂的相互作用，如协同效应、拮抗效应、抑制效应、增效效应与掩蔽效应（Chen, Sheng, et al., 2025）。### 食品组学层次与面向人工智能的数据组织食品组学应作为一种数据组织框架使用，而非要求纳入所有可用的组学层次。对于发酵肉制品的挥发性风味预测，相关信息可被组织为五个在生物学上相互关联的层次：产品与工艺元数据；物理化学与微生物状态变量；微生物与分子机理；挥发性化学输出；以及感官或与消费者相关的标签。原料组成、配方……### 模型分类与概念边界传统的多变量统计、机器学习与深度学习应根据是否使用目标标签、是否能为未见样本生成预测，以及模型性能如何评估加以区分（图2）。在本综述中，"人工智能辅助的预测建模"主要指有监督的机器学习与深度学习方法，而无监督方法主要被视为探索性或表示学习工具。传统的……### 当前挑战与未来展望发酵肉制品中挥发性风味的形成受相互关联的过程支配，涉及菌群演替、内源性及微生物酶活性、蛋白水解、氨基酸转化、脂质水解与氧化、酯化以及工艺相关的化学反应。这些过程还进一步受原料组成、发酵菌剂、配方、温度、湿度、氧气供给以及发酵或后熟时间的影响。因此，挥发性物质……### CRediT作者贡献声明**Ji Wang：** 撰写—初稿、验证、软件、方法学、调查、形式化分析、概念化。**Yang Liu：** 监督、软件、概念化。**Cheng-Zhen Nie：** 调查、数据整理。**Xu-Song Wang：** 方法学。**Xu-Hui Huang：** 撰写—审阅与编辑、资源、项目管理、经费获取。**Lei Qin：** 撰写—审阅与编辑、资源、项目管理、经费获取。## 利益冲突声明作者声明不存在可能影响本文所述工作的已知竞争性经济利益或个人关系。## 致谢本研究由中国国家重点研发计划（2024YFD2101500）、辽宁省科学技术计划联合项目（2025-MSLH-037）资助。Ji Wang | Yang Liu | Cheng-Zhen Nie | Xu-Song Wang | Xu-Hui Huang | Lei Qin