基于近红外光谱预测NFC复合果汁总酚含量：一种基于集成模型和多维变量选择的可解释方法

《Journal of Agriculture and Food Research》：Predicting total phenolic content in NFC compound juices using near-infrared spectroscopy: An interpretable approach based on ensemble models and multidimensional variable selection

　　

总酚含量（total phenolic content，TPC）与食品的抗氧化活性和功能品质密切相关，尤其在非浓缩还原（not from concentrate，NFC）果汁中。然而，传统的福林-酚（Folin-Ciocalteu）分析测定TPC耗时且产生对环境有害的化学废物。本研究开发了一种结合多维变量选择的可解释集成框架，利用近红外光谱（near-infrared spectroscopy，NIRS）对NFC复合果汁中的TPC进行快速预测。研究人员首先利用NIR光谱建立基础模型，通过Optuna算法系统优化超参数以确保稳健性能。集成策略整合了多个基础学习器的互补预测信息，显著提高了预测性能（R_p²=0.938，RMSEP=0.059 mg GAE/mL，RPD=4.036）。此外，实施了一种整合八种不同变量选择算法的多维变量选择策略，以识别共同的光谱变量子集。该共享变量子集的加入进一步提升了TPC预测性能，得到R_p²=0.973，RMSEP=0.042 mg GAE/mL，RPD=6.121。另外，SHAP分析阐明了共识光谱区域和单个基础模型对最终堆叠输出的贡献，增强了TPC预测的透明度。因此，多维变量选择、集成学习和可解释性分析的整合为使用NIRS快速评估NFC复合果汁中的TPC提供了一个可靠且透明的框架。

**基于NIRS与集成学习的NFC复合果汁总酚含量快速预测研究解读**

非浓缩还原（NFC）果汁由新鲜水果直接机械压榨制成，未经浓缩或重组，相比浓缩果汁保留了更多维生素、膳食纤维和生物活性化合物。总酚含量（TPC）是NFC果汁的重要品质指标，与抗氧化活性密切相关，并对预防癌症、心血管疾病、糖尿病、骨质疏松和神经退行性疾病具有潜在益处。传统TPC测定多采用福林-酚（Folin-Ciocalteu）比色法，该方法需多步操作和化学试剂，耗时且产生环境污染，难以满足食品加工中实时质量控制和高通量筛选的需求。近红外光谱（NIRS）技术具有快速、无损、环保等优点，但将其用于果汁TPC预测时，仍面临超参数优化不足、变量选择方法单一以及模型可解释性差等问题。针对这些瓶颈，研究人员开发了一种结合多维变量选择、堆叠集成学习和SHAP可解释性分析的NIRS建模框架，用于NFC复合果汁TPC的快速、透明、准确预测。该研究发表在《Journal of Agriculture and Food Research》。

研究人员从农夫山泉品牌选取苹果、芒果、橙和梨四种商业NFC果汁，利用Minitab 21软件采用单纯形设计配制了282个复合果汁样品（包含54个二元、144个三元和84个四元混合物）。以改良Folin-Ciocalteu法测得TPC参考值；搭建包含卤钨灯光源、石英比色皿支架、NIR2500光谱仪和光纤组件的自建NIR系统，在透射模式下采集900–2500 nm光谱。光谱经标准正态变量（SNV）预处理后，用Kennard-Stone（KS）法按3:1划分校正集和预测集。建立随机森林（RF）、XGBoost、LightGBM（LGBM）、梯度提升机（GBM）、AdaBoost和CatBoost六种树基模型，并采用Optuna算法自动优化超参数；以线性回归为元模型构建堆叠集成框架。进一步整合排列重要性、SHAP值、最小绝对收缩与选择算子（LASSO）、递归特征消除（RFE）、Spearman相关、F检验、互信息回归和Pearson相关八种变量选择算法，将至少四种方法共识识别的变量作为特征子集。最后运用SHAP分析揭示模型内部决策机制。

**3.1 NFC复合果汁中TPC的特性**
通过化学参考测定与统计分析发现，282个NFC复合果汁样品的TPC值在0.35至1.48 mg GAE/mL之间变化。芒果-橙（MO）二元组合的TPC最高（1.48±0.27 mg GAE/mL），苹果-梨（AP）组合最低（0.35±0.08 mg GAE/mL）。芒果及芒果-橙基组合的酚类物质含量较高，而苹果、梨占主导的组合TPC较低。统计分组（p<0.05）表明，芒果的存在与否，以及用橙代替梨，是决定NFC复合果汁TPC水平的主要因素。

**3.2 NFC复合果汁的光谱特征**
平均SNV预处理的NIR光谱显示，所有样品在900–2500 nm范围内具有相似的吸收特征。其中，960–980 nm处为水及碳水化合物的O–H伸缩振动，1150–1250 nm为可溶性糖的C–H二级倍频，1360–1450 nm归因于C–H二级倍频与组合频，1650–1800 nm对应O–H和C–H一级倍频，1850 nm附近为有机酸的C–H组合频，2300–2500 nm则主要为水中O–H组合频。上述特征表明水、可溶性糖和有机酸是NFC复合果汁NIR吸收的主要贡献者。

**3.3 基于全光谱的TPC预测模型评估**
基于全光谱建模时，梯度提升类算法（GBM、XGBoost、CatBoost）总体优于RF和AdaBoost，其中CatBoost表现最优，预测集R_p²=0.838，RMSEP=0.094 mg GAE/mL，RPD=2.501。经堆叠集成后，预测性能显著提升，R_p²升至0.938，RMSEP降至0.059 mg GAE/mL，RPD达到4.036，证明集成策略能够有效融合多个基础学习器的互补预测信息。

**3.4 基于所选光谱变量的TPC预测模型评估**
通过八种变量选择算法的共识分析，保留了至少四种算法共同选出的光谱变量子集，主要集中在1140–1350 nm、1410–1540 nm、1680–1700 nm、1800–1835 nm和2180–2215 nm区域。使用该共识子集后，各基模型和堆叠模型性能均获提升，其中堆叠模型达到最优：预测集R_p²=0.973，RMSEP=0.042 mg GAE/mL，RPD=6.121。敏感性分析显示，共识阈值从≥3到≥6方法变化时，堆叠模型预测集R_p²维持在0.955–0.973，均优于全光谱结果，表明该变量选择策略稳健有效。此外，偏最小二乘回归（PLSR）在采用共识变量后性能也明显改善（最佳R_p²=0.966），进一步验证了共识变量的实用性。

**3.5 基于SHAP的堆叠模型可解释性分析**
SHAP分析显示，1150–1250 nm、1800–1850 nm和2180–2220 nm等光谱区域在多个基模型及最终堆叠输出中均具有较高贡献度，表明这些区域所包含的信息对TPC预测具有一致性。在堆叠结构层面，GBM和XGBoost对最终预测的贡献最大，而CatBoost和AdaBoost贡献相对较低，说明基模型之间存在互补性。SHAP蜜蜂图还表明，不同基模型对光谱强度变化的响应模式存在差异，进一步支持了堆叠集成的必要性。

在讨论部分，研究人员指出，本研究的预测性能优于或接近文献中基于NIR的草莓汁和苹果汁TPC模型（草莓汁R_p²=0.844，RPD=2.6；苹果汁R_p²=0.950，RPD=4.1）。同时，研究也指出本工作属于概念验证，所选基NFC果汁来源有限，TPC分布与配方部分相关，SHAP识别的光谱区域可能反映整体组成与TPC的协变，而非酚类化合物的直接特征吸收。未来需纳入更多品牌、批次、产地及配方组合，并开展外部验证以评估框架的稳健性与可迁移性。

**结论部分翻译**
在这项工作中，研究人员开发了一种基于NIRS的建模框架，用于预测NFC复合果汁中的TPC。结果表明，树基模型在全光谱NIR数据上表现出令人满意的预测性能，而堆叠集成策略进一步提高了TPC预测性能。通过整合多维变量选择方法，保留了共识光谱变量子集，从而减少了冗余光谱信息。这些所选变量主要分布在1140–1350 nm、1410–1540 nm、1680–1700 nm、1800–1835 nm和2180–2215 nm范围内。基于所选变量开发的模型性能显著提升，其中堆叠集成模型在预测集中达到了R_p²=0.973，RMSEP=0.042 mg GAE/mL，RPD=6.121。此外，基于SHAP的可解释性分析表明，几个光谱区域，特别是1150–1250 nm、1800–1850 nm和2180–2220 nm，在基模型和最终集成水平上一致地促进了TPC预测。这些发现表明，所提出的共识变量选择、集成学习和可解释性分析的组合，为NFC复合果汁中TPC的快速评估提供了一种可靠且透明的方法。然而，本研究应被视为在所研究配方域内的概念验证，因为基础NFC果汁来源有限，未涵盖与生产批次、品牌、地理来源或配方条件相关的更广泛变异性。未来研究应纳入更多样化的果汁来源，包括多个批次、品牌、生产原产地和配方组合，并针对独立来源的样本进行外部验证，以进一步评估所提出的基于NIRS的预测框架的稳健性和可转移性。