《Journal of Future Foods》：From Single Omics to Digital Design: The Evolution of Food Flavor Science and Associated Challenges and R&D Opportunities
风味是决定食品质量和消费者接受度的核心因素。然而，风味研究的核心挑战在于建立主观人类感官体验与风味化合物客观分析之间的可解释因果联系[1]。在方法学演进和技术进步的推动下，感官组学（Sensomics）和风味组学（Flavoromics）已成为系统化的研究范式[2]。在感官评价科学和现代分析化学的支撑下，这些方法旨在弥合复杂食品基质中化学风味组成与人类感知机制之间的鸿沟[3,4]。为了真正实现高维化学信号与多维感官体验之间的精确关联，并构建准确的预测映射模型，研究人员必须阐明这两种范式背后的逻辑及其协同互补性。本综述系统审视了感官组学与风味组学范式的优势、局限性和适用范围，旨在对其方法、数据维度和研究目标进行深入的比较分析，并强调化学风味图谱与复杂感官知觉数据融合的新兴趋势。最终，本工作为构建从“分子结构”到“人类感知”的稳健路径提供了理论基础和方法支持，从而实现食品风味的精确预测、理性设计和加速创新。
1. 引言
风味是食品质量和消费者接受度的核心决定因素。然而，风味研究的核心挑战在于建立主观人类感官体验与风味化合物客观分析之间的可解释因果联系。在方法学演进和技术进步的推动下，感官组学和风味组学已成为系统化的研究范式。在感官评价科学和现代分析化学的支撑下，这些方法旨在弥合复杂食品基质中化学风味组成与人类感知机制之间的鸿沟。为了真正实现高维化学信号与多维感官体验之间的精确关联，并构建准确的预测映射模型，研究人员必须阐明这两种范式背后的逻辑及其协同互补性。本综述系统审视了感官组学与风味组学范式的优势、局限性和应用范围，旨在对其方法、数据维度和研究目标进行深入的比较分析，强调化学风味图谱与复杂感官知觉数据融合的新兴趋势。最终，本工作为构建从“分子结构”到“人类感知”的稳健路径提供了理论基础和方法支持，从而实现食品风味的精确预测、理性设计和加速创新。
1.1 感官组学与风味组学研究的进展与局限
1.1.1 感官组学与风味组学引论
感官组学是一种感官引导的靶向分析方法，其主要目标是在分子水平上识别关键气味活性化合物，并阐明其对整体感官特征的因果贡献。该范式致力于对产品引发的感官属性进行全面定量表征，目前主要集中于嗅觉和味觉。在选取代表性样品后，典型感官组学工作流程包含三个基本步骤：（1）风味活性成分的定性鉴定结合感官评价，典型例子是挥发性风味研究中的气相色谱-嗅闻法（Gas Chromatography-Olfactometry, GC-O），它将仪器分离与人类评价员感知相结合。（2）关键风味活性化合物的定量分析及其基于各自感知阈值的感官贡献测定，例如计算香气活度值（Odor Activity Value, OAV）——化合物浓度与其阈值之比——以量化其感官强度。（3）最后，通过重组和遗漏实验验证这些化合物对整体风味特征的贡献，进一步阐明不同组分之间的协同或掩蔽效应。感官组学的核心思想在于将感官测量整合到每一个分析步骤中，将“可检测的风味化合物仪器信号”转化为“可感知的感官贡献”。通过以“人类可感知性”为筛选目标，它在化学定性与定量分析与人类感官属性之间建立了明确的因果联系。
相反，风味组学是一种基于代谢组学的跨学科方法，强调高通量、数据驱动的技术路线。它利用先进仪器分析技术（如气相色谱-质谱联用（GC-MS）或高效液相色谱-质谱联用（HPLC-MS））获取大规模风味组分数据集，然后结合多元统计或机器学习模型挖掘与特定感官属性（如“果香”或“奶香”嗅觉特征）相关的关键指示性或判别性化合物。风味组学主要支持广泛发现和关联建模；因果感官解释需要额外的干预步骤，尽管部分研究也纳入重组和遗漏测试。
风味组学方法同样包含三个主要步骤：首先，通过仪器分析对食品风味组分的化学基础进行定性和定量谱图分析；其次，量化人类（来自专家小组或消费者）对感官属性或感知（如偏好和购买决策）的反应；第三，应用统计方法建立输入数据（风味化学基础）与输出数据（人类感官或感知反应）之间的相关性。风味组学的核心思想是构建“非靶向、广覆盖”的化学指纹图谱，然后进行数据驱动挖掘。其方法优势在于非靶向性——不预先定义目标分析物，而是利用高分辨率、高通量仪器平台捕获风味特征的全景视图。例如，并行使用全二维气相色谱-飞行时间质谱（GC×GC-TOFMS）和高效液相色谱-串联质谱（HPLC-MS/MS）可全面覆盖挥发性和非挥发性代谢物，构建整体分子风味图谱。其目标是将复杂基质中未预期的化学浓度差异转化为具有生物学意义的风味生物标志物，从而为下游机器学习模型提供高质量特征输入。
表1总结了感官组学与风味组学在食品风味研究中的互补作用。在主要目标上，感官组学识别对感知风味具有因果贡献的关键气味或滋味化合物，风味组学捕获宽泛化学指纹并将其与感官或产品属性关联；感官组学提供因果验证，风味组学提供覆盖面和发现能力。在典型问题上，感官组学回答“哪些分子实际被感知并对目标风味必不可少”，风味组学回答“哪些分子特征区分样品或预测感官差异”。在分析焦点上，感官组学对风味活性化合物进行靶向或半靶向分析，风味组学对挥发性和非挥发性代谢物进行非靶向或广覆盖谱图分析，发现后需进行靶向确认。感官数据方面，感官组学使用训练过的评价小组、气味阈值、OAV、重组和遗漏实验；风味组学使用定量描述分析（QDA）、勾选所有适用项/排序勾选所有适用项（CATA/RATA）、消费者偏好、感官评分、产品分类标签；感官数据在建模前必须经过整理和质量控制。数据结构上，感官组学通量较低、化合物数量较少、生物解释更强；风味组学产生高维峰表，包含许多未知或暂定注释的特征；整合数据集需要注释置信度和特征过滤。统计或人工智能方法上，感官组学使用OAV排序、感官引导选择、靶向验证；风味组学使用主成分分析（PCA）、偏最小二乘回归（PLSR）、正交偏最小二乘判别分析（OPLS-DA）、随机森林（RF）、极限梯度提升（XGBoost）、支持向量回归（SVR）、图神经网络（GNN）、多模态学习；模型得出的重要性应视为候选优先级，而非因果证据。验证逻辑上，感官组学通过遗漏和重组进行因果感官确认；风味组学进行内部/外部验证、置换检验、Y随机化、分布外（OOD）测试；强有力的主张需要统计验证和感官干预两者结合。主要优势方面，感官组学具有高可解释性和直接感官相关性；风味组学具有高吞吐量和揭示意外模式的能力；整合可以将分子发现与感知因果联系起来。主要局限方面，感官组学劳动密集、通量低、化学覆盖有限；风味组学具有相关性、对批次效应敏感、因果解释有限；整合更适合作为将分子发现与感知因果联系起来的必要步骤。
1.2 当前两种风味研究范式的局限性
尽管感官组学和风味组学为食品风味科学带来了重大的方法学进步，但在解码真实食品基质时，这两种范式在从仪器分析到感官量化的转化过程中仍面临各种局限。
在感官组学的定性阶段，色谱分析的线性特征与人类感知的高度非线性之间存在根本矛盾，这损害了感官分析的准确性。此外，尽管针对不同风味组分推荐了特定的定量方法（例如挥发性分析中的溶剂辅助风味蒸发-稳定同位素稀释分析（SAFE-SIDA）），但任何方法测得的总风味浓度都不能准确代表风味化合物从食品基质到空气中的动态释放。此外，常用于评估风味贡献的感知阈值往往忽略了基质效应引起的数据漂移。实验结果与实际感官贡献之间的这种差异导致对关键风味化合物及其相对重要性的错误估计。
在风味组学中，对非靶向代谢组学的依赖经常受到谱库覆盖有限和解卷积算法缺陷的制约，容易产生假阳性鉴定或“分析伪影”。更关键的是，虽然基于PCA或OPLS-DA的统计建模可以成功筛选差异生物标志物，但这种“风味与化合物之间的相关性”并不等同于“因果关系”。缺乏感官验证的数学模型往往退化为“黑箱”，无法解释生物标志物背后的生化或食品化学机制。此外，这些模型对数据来源和结构高度敏感，导致泛化能力有限。
除了上述问题，仪器数据与感官体验融合的困难常常表现为风味研究中的两种典型冲突现象。第一种是“化学沉默”（Chemical Silence），即某些化合物在仪器检测中浓度很高，但对关键风味感知没有贡献。高分析丰度并不一定转化为成比例更高的感官相关性。在冷压香柠檬（Citrus latifolia）果皮油中，β-蒎烯的定量浓度为105,000 mg kg
-1（11.08 wt%），显著超过α-蒎烯的18,800 mg kg
-1（1.99 wt%）。然而，其香气活度值远低于α-蒎烯（69,800对3,750,000），反映其气味阈值显著更高。这种浓度-感知错配说明化学丰度本身不足以推断感官贡献。第二种现象是“感官幻影”（Sensory Phantom），即一种明显的感官特征被清晰地感知，但相应的分子实体仍难以捉摸。一个典型例子是葡萄酒中的“黑胡椒”风味，直到最近才被归因于极小浓度的圆柚酮（rotundone）。这种错位暴露了当前分析方法在捕获痕量、高效价气味物（如挥发性硫化合物和吡嗪类）方面的盲点，并强调仅依赖单维化学定量不足以充分解释人类嗅觉感知。
1.3 当前风味研究范式的新兴趋势
目前，风味研究正逐渐摆脱感官组学和风味组学孤立运行的传统模式，呈现出范式演变的两个标志性趋势：第一，风味组学数据驱动的垂直算法升级；第二，风味组学与感官组学的协同整合。
1.4 风味组学数据建模的垂直算法升级
首先，关于风味组学数据建模的垂直升级，以高通量化学指纹、代谢途径和量化人类感官数据为锚定的多维数据整合已演变为一种复杂而精细的方法学范式。这一趋势推动风味分析从传统线性统计建模跃升至先进机器学习领域，广泛涵盖非线性模型、深度学习以及前沿表征学习技术。
在基础线性建模层面，偏最小二乘回归（PLSR）被广泛用于建立化学分析数据与感官量化数据之间的联系，通过变量投影重要性（VIP）得分识别关键分子贡献者。与此互补的是正交偏最小二乘判别分析（OPLS-DA），用于配方或加工条件的分组和区分。为降低假阳性发现风险，常规纳入置换检验和外部验证以确保模型稳健性。非线性学习器更擅长捕捉化学成分与复杂感官结果之间的交互作用，但模型解释并不自动等同于因果贡献。VIP得分和其他模型重要性指标可帮助优先排序后续研究的变量，但在缺乏独立或正交验证的情况下，不应将其解释为因果感官贡献的证据。
在人工智能驱动的风味组学和感官预测中，透明、完整的数据来源和谱系文档记录是一项基本要求。来自风味分析的化学数据集必须详细记录样品来源、品种或配方、加工条件、储存历史、提取方案、分析平台、批次或进样顺序以及质量控制样品。同样，感官数据集应说明评价小组类型、培训状态、描述符定义、量表设计、重复结构和样品呈递顺序。数据集设计还必须明确区分发现队列和外部验证队列，因为在受限产品类别或特定实验室环境中开发的模型通常对陌生食品基质缺乏泛化能力。
为了解决风味数据的固有异质性，特征工程必须采用标准化预处理。对于GC-MS和LC-MS峰表，这通常涉及峰检测、对齐、解卷积、空白扣除、归一化、批次校正、缺失值处理和化合物注释置信度评分。处理后的峰面积或浓度可进一步聚合为化合物类别、途径级特征或香气活度值。此外，从已鉴定化合物衍生的分子描述符可以编码化学性质——如疏水性、挥发性和极性——以及官能团、分子指纹和预测的蛋白质结合或相分配行为。感官描述符需要类似的协调，将“果香”、“奶油香”、“烘烤香”、“鲜味”、“醇厚”和“涩感”等术语映射到标准化词典和参考框架上，以增强跨研究可比性。
最后，多模态风味数据可以通过不同抽象层次进行整合，包括标准化变量的早期融合、潜在嵌入的中间融合，或由化学、感官和文本特定模型生成的预测的晚期融合。应明确报告所选融合策略，以便批判性评估每种模态对整体模型性能的贡献。
此外，为了捕捉风味和感官感知中固有的复杂交互和不确定性，研究人员已开始引入非线性学习器以实现算法升级。例如，基于树的模型和高斯过程可以有效描绘非线性关系的复杂动态，并具备量化预测不确定性的关键能力。为了深入理解复杂系统中的交互，图神经网络（GNNs）已成为一种强大工具，在表示复杂关系方面展现出独特优势。具体而言，该架构可以将原子和分子结构及其对应的感官属性建模为图中的节点，利用其内在连接作为边，表征各种参数之间的复杂交互网络。通过消息传递机制，GNNs可以学习这些复杂效应，揭示潜在的结构-性质关系或预测感官行为。
在多模态数据处理的前沿，大语言模型（LLMs）正被用于术语标准化和从描述性文本中提取风味实体。处理后的文本特征向量和化学特征向量随后必须进行对齐。文本特征向量通常来源于对物质性质、功能或感官描述文本信息的编码，而化学特征向量则从化合物的分子结构或理化性质中提取。这种对齐旨在构建统一的潜在表示空间，以实现跨模态信息融合，从而增强下游任务（如物质性质预测和新化合物发现）的性能。最后，为了增强模型可解释性，可解释人工智能技术如沙普利加和解释（SHAP）和部分依赖图（PDPs）当前被用于可视化特征贡献。总体而言，这些多样化建模方法已显著超越初始的“相关性描述”，为风味研究铺平了通往“初步可预测性”的道路。
1.5 风味组学与感官组学的协同整合
如果人工智能算法的迭代进步代表数据维度的垂直深化，那么风味组学与感官组学的整合则构成研究方法论上的横向协同，这已成为当代风味研究的另一个核心趋势。
这种整合方法首先利用风味组学的高通量化学指纹识别关键风味分子及其浓度范围，随后建立这些分子与其形成或降解途径之间的相关性。接下来，感官组学采用定量描述分析（QDA）验证这些分子的感知阈值和感官贡献，从而在感官水平上实现风味形成途径的深入验证。通过化学指纹和感官评价的互补，这种融合模型为后续的配方优化和工艺校准提供了坚实的科学支撑，有助于实现靶向、精确且可复现的食品风味设计。
以最近一项关于市售酸奶风味分类的研究为例：首先，机器学习驱动的风味组学对GC-MS指纹数据进行高通量模式识别，快速筛选出10种区分不同香气特征的“判别生物标志物”。随后，感官组学利用GC-O和香气重组实验精确验证了这些分子的感官贡献，最终确定了14种真正决定人类感知的“关键气味物”。这种融合范式——风味组学进行数据方差的大规模挖掘，感官组学进行因果关系的微观验证——成功弥合了“化学成分”与“感官体验”之间的解释鸿沟，为食品风味的精确设计提供了明确蓝图。
2. 未来风味研究的新兴挑战
口腔加工驱动风味释放。通过咀嚼、唾液分泌和吞咽，食品基质发生解体，触发动态风味释放。随着风味科学与口腔加工研究的融合，对准确、可靠地反映这些生理动态的感官和仪器数据的需求日益增长。因此，出现了几个关键挑战。
2.1 物理挑战：真实基质的风味释放机制
真实食品中的风味释放不能仅通过成分来理解，因为感知源于食用过程中物理、化学和生理过程的耦合。本节从时间动态转向物质约束，再转向空间组织。首先，口腔加工解释了咀嚼、唾液、吞咽和鼻后气流如何随时间重塑释放。其次，基质效应说明了为什么蛋白质、脂质、多糖和多相结构会改变分配、扩散和感官可用性。最后，空间解构解决了均质化过程中局部梯度和食物拓扑结构丢失的问题，在分析平均值与进食期间感知之间造成了差距。这些机制共同解释了为什么静态浓度谱必须辅以动态和空间分辨分析。
2.2 口腔加工动态的缺失
风味感知在消费过程中展开，而非在单一分析时间点。咀嚼破坏食物结构，增大暴露表面积，打开基质隔室，而唾液稀释溶解的化合物并改变pH、离子强度、粘度和生化反应性。唾液蛋白和酶可进一步结合、生成或降解风味活性分子。吞咽随后改变运输路径，鼻后气流将释放的挥发性物质从口腔携带至嗅觉上皮。由于咀嚼模式、唾液流量、口腔温度和呼吸行为在个体间差异显著，相同食物可产生不同的释放特征和感知轨迹。因此，静态顶空测量和终点感官评分仅捕获这一时间依赖过程的片段。
2.3 风味感知中的基质效应
真实食品的风味释放受风味分子与周围基质组分之间相互作用的支配。蛋白质可通过疏水口袋、氢键、静电相互作用以及加工诱导的共价或非共价结合来保留香气和滋味化合物。脂质优先溶解疏水性挥发物并减缓其向水相和气相的转移，而多糖可增加粘度、形成凝胶并限制分子迁移。因此，总浓度不一定代表感官受体可用的浓度。
这种差异可通过热力学分配和动力学传质来理解。分配系数描述化合物在脂质、水相、固相和气相之间的分布，而扩散阻力决定其穿过凝胶、乳液、颗粒或多孔结构的速度。传质动力学随后控制其进入唾液、顶空和鼻后气流。一个高丰度但被强烈保留或缓慢释放的化合物可能对初始香气冲击的贡献小于一个快速转移且感官阈值低的痕量气味物。相反，基质结合化合物的延迟释放可能维持香气持久性、余味或后期鼻后感知。
2.4 风味感知的空间解构
真实食品还含有果皮与果肉、瘦肉与脂肪组织、外皮与内部、或表面调味料与底层基质之间的空间梯度。均质化提高了分析重复性，但去除了咀嚼和咀嚼过程中遇到的拓扑结构。对这些局部信号进行平均会产生均质化偏差：测量强调平均浓度，同时掩盖局部释放爆发、顺序暴露和分层感知。静态成分谱图对于化学清单和候选筛选仍有价值，但无法完全重建感知的空间维度。因此，需要空间分辨测量来确定风味活性分子位于何处，以及局部结构如何在消费过程中控制其释放。
3. 前瞻性解决方案
为了克服上述基质和时空限制，未来研究必须采用更高维度的数据表征和动态模拟技术。首先，应利用空间风味代谢组学绘制风味分子的原位分布图，从物理上解构基质效应机制。其次，采用嗅觉计和味觉计，以及模拟动态口腔加工的仪器，可以捕获风味释放的时间序列，准确重建从咀嚼到余味的整个过程。
此外，面对这种高维、非线性、多模态（物理、化学、时间）的数据网络，传统线性统计已不适用。因此，人工智能（AI）为特征提取和非线性映射提供了有用框架，但其有效性仍受限于数据质量、验证设计和因果可解释性。然而，算法能力严格受底层数据质量限制。通过AI构建融合微结构和动态感官信号的稳健预测模型仍面临严重的数据障碍。因此，以下部分将深入分析范式融合和AI建模中固有的数据质量和因果推断挑战。
3.1 多维风味建模中的数字挑战：解决多模态数据复杂性
多维风味建模不仅受算法能力限制，还受感官标签、分子指纹和因果解释之间不匹配的限制。化学数据集、感官评分、加工元数据和文本描述符在尺度、噪声结构、稀疏性和生物学意义方面各不相同，使得直接多模态融合变得困难。本节因此考察三个相互关联的数字挑战。首先，感官数据引入本体论不确定性，因为人类感知缺乏绝对参考尺度，并随个体、文化和实验室而变化。其次，风味组学造成计算不稳定性，因为高维分子特征常与少量样本和稀疏感官相关性配对。第三，整合模型面临逻辑瓶颈，即统计关联被解释为因果风味机制。这些挑战共同解释了为什么AI驱动的风味预测不仅需要更多数据，还需要更好的校准、特征选择、验证和因果推理。
3.2 感官数据的本体论困境：校准缺陷与主观噪声
与具有可追溯标准的化学分析不同，感官组学由于人类主观性而缺乏绝对测量尺度。作为生物传感器，人类表现出固有的非平稳性。个体差异、情绪波动和生理疲劳使感官评分高度噪声化。在机器学习（ML）中，这种主观抖动会放大为系统性偏差，而简单的数据增强无法解决。此外，感官描述符（如“醇厚”、“鲜味”）在实验室和文化之间缺乏统一的物理参考，在数据整合过程中产生语义差异。这种标准化缺陷使得模型无法像计算机视觉那样在通用数据集上进行预训练，严重限制了迁移学习能力。
3.3 风味组学的计算困境：维度灾难与特征稀疏性
虽然风味组学产生大规模分子指纹，但它遭受“维度灾难”。数据集通常包含数千个质谱特征，但受实验成本限制，仅有数十至数百个样本。这种极端的高维小样本不平衡使模型极易过拟合，经常将仪器噪声误识别为关键特征。此外，许多高丰度化合物缺乏感官相关性，而关键痕量气味物则被基线噪声掩盖。当前非靶向筛选算法（如VIP排序）优先考虑统计显著性而非生物学有效性。它们难以消除物理存在但感官失活的“冗余特征”，导致建模效率极低。
3.4 整合模型的逻辑瓶颈：从“统计拟合”到“因果反事实”
大多数风味预测模型仍局限于“相关性拟合”，缺乏对因果机制的解释能力。这是AI赋能风味研究的主要障碍。当前ML模型（如随机森林、PLS-DA）擅长识别共现关系（“分子A伴随香气B出现”），但无法回答因果问题（“去除分子A是否消除香气B？”）。没有干预实验和反事实推断，已识别的“风味生物标志物”在因果上仍然模糊。它们往往只是加工变化的伴随副产物，而非驱动感官变化的真正因果媒介。此外，由于这些“黑箱”模型在特定数据分布上训练，当遇到分布外（OOD）数据（如原料产地或加工参数变化）时，它们会出现严重的性能退化。这种鲁棒性缺乏阻碍了实验室模型在工业中的部署。
3.5 前瞻性人工智能驱动解决方案
为了在食品风味研究中产生可信且可迁移的见解，AI模型开发应解决三个相互关联的问题：预测可靠性是否可靠、模型输出是否可解释、以及它们是否可泛化到未见样本和应用场景。
（1）验证预测可靠性
首先，验证策略应在模型拟合之前指定，而非在检查结果后调整。对于小型风味组学数据集，当需要模型选择或超参数调优时，嵌套交叉验证通常更可取。内循环选择超参数，而外循环在留出样本上估计预测性能。这种分离减少了选择引起的乐观偏差，前提是预处理、特征选择和归一化在每个训练折叠内重复。只要存在独立产品、批次、实验室、季节或消费者小组，就应优先考虑外部验证，因为它直接评估模型在独立条件下的可迁移性。基于置换的标签随机化，包括Y随机化，可进一步确定观察到的预测性能是否超过偶然预期。当原材料、加工条件或分析平台与训练数据不同时，模型还应在预定义的分布偏移下进行评估。因此，模型报告应超越准确度或相关系数，包括不确定性估计、代表性失败案例以及按食品基质类型分层的性能。对于概率输出，还应报告预测概率与观察结果之间的校准情况。
（2）解释模型输出
一旦建立了预测可靠性，下一个问题是模型如何生成其预测。SHAP值可量化分配给单个变量的贡献，而部分依赖图可总结模型输出随特征范围变化的平均变化。注意力权重可指示神经模型中哪些标记、分子描述符或化学特征获得更大重视。然而，这些输出描述的是模型行为，而非风味化合物与感官属性之间的因果关系。SHAP归因可在相关变量之间重新分配，当特征强相关或在数据支持较差的区域评估时，部分依赖图可能具有误导性。同样，注意力权重不应单独被视为忠实解释。高重要性得分可能反映协方差、批次结构、加工历史或与未测量化合物的代理关系。在没有遗漏、重组或其他基于干预的感官实验的情况下，模型优先的变量应被解释为统计相关的候选者，而非已确认的感官驱动因素。
（3）解决泛化瓶颈并确立AI的适当角色
即使模型经过充分验证且可解释，它仍受限于食品风味数据的生成方式。训练有素的感官评价小组和高分辨率化学分析的成本通常限制样本量。样品制备差异、仪器漂移、色谱柱老化和实验室特异性注释实践可引入批次效应。感官标签也可能不完整、有噪声或分布不均，而语言、文化和评价小组培训差异使描述符协调变得复杂。因此，AI驱动的风味预测最适合作为候选优先排序和假设生成工具，而非因果主张的唯一基础。当模型优先的候选者经过靶向定量、重组或遗漏实验以及独立感官验证时，结论会大大加强。未来的进展不仅依赖于更复杂的算法，还依赖于前瞻性验证、标准化元数据、协调感官描述符和迭代实验确认。
图1、图2、图3分别展示了食品风味研究范式的演变（感官组学与风味组学的方法比较及所提出的AI驱动整合框架）、真实食品基质在口腔加工过程中的动态风味释放，以及用于AI赋能风味预测与设计的“化学-生理-感知”闭环工作流程。
为了克服这些维度爆炸和算法瓶颈，本综述提出一种新的多维计算范式，整合化学成分、感官评价和生理反馈。这种渐进式方法——涵盖数据标准化、算法优化和系统集成——旨在实现精确的数字风味表征。首先，必须建立标准化的“风味-感官”数据协议，以统一跨实验室的描述符和参考体系，从而打破数据孤岛并减少主观噪声。其次，应部署迁移学习和少样本学习策略，利用预训练模型提取通用特征，有效解决风味数据的高维性、稀疏性和过拟合问题。最后，引入客观生理信号（如脑电图（EEG）、心电图（ECG）、肌电图（EMG））作为生物锚点，以校准传统感官评分固有的主观噪声和时间延迟，从而为算法模型提供连续且稳定的地面真值数据。最终，这将构建一个“化学-生理-感知”闭环智能系统，推动食品研发从经验试错转向数字化逆向设计。
4. 结论
感官组学与风味组学并非替代关系，而是协同的双核框架。前者捕获真实的消费者感知，后者解码复杂食品的高通量化学生物基础。单独应用时，两者均无法完全阐明“化学成分”与“人类感知”之间的复杂因果联系；因此，它们的深度融合是风味科学的必然轨迹。
为了克服复杂基质效应、动态释放动力学和主观感官评价的巨大障碍，人工智能（AI）将作为核心引擎。展望未来，AI不仅将高效挖掘海量“风味-感官”数据集中的潜在模式，更将整合物理微结构和人类生理信号到统一分析框架中。这将决定性地拓展传统风味研发的边界，推动行业从“经验试错”向“数据与机制驱动”范式转变。通过解码控制复杂“化学-生理-感知”相互作用的基本规则，该范式为未来食品的数字化逆向设计和精确创新奠定了坚实的科学基础。
