《Food Chemistry》：Integration Boruta-SVM-RFE model with flavoromics: Unveiling the aroma enhancement mechanism of enzyme-microbe synergy in soymilk
编辑推荐：
•利用机器学习识别“豆香”的关键风味化合物。•构建了结合 Boruta 与 SVM-RFE 的渐进式机器学习筛选策略。•提出了一种结合酶解与发酵的协同增香策略•2,3-丁二酮和 3-羟基 -2-丁酮被认为是“豆香”的关键贡献物。引言豆浆作为一种传统的植物蛋白饮料，因其丰富的营
- •
利用机器学习识别“豆香”的关键风味化合物。
- •
构建了结合 Boruta 与 SVM-RFE 的渐进式机器学习筛选策略。
- •
提出了一种结合酶解与发酵的协同增香策略
- •
2,3-丁二酮和 3-羟基 -2-丁酮被认为是“豆香”的关键贡献物。
引言
豆浆作为一种传统的植物蛋白饮料，因其丰富的营养价值和潜在的健康益处而受到全球消费者的青睐。然而，其特有的“豆腥味”严重影响了感官接受度，阻碍了其在全球市场的进一步推广（Wang, Zhang, et al., 2021）。为解决这些感官缺陷，研究人员通常采用热处理（Zhang et al., 2012）、有机溶剂萃取（Nagassa et al., 2024）以及添加外源遮蔽剂等方法。尽管这些方法能有效降低豆腥味，但这些方法往往存在显著缺陷：去除豆腥味的同时也导致令人愉悦的豆香流失，最终产品风味平淡。因此，如何实现“风味重构与平衡”——在消除豆腥味的同时保留甚至增强特征豆香——已成为豆浆风味开发领域的热点话题。
对风味物质形成和增强机制的深入理解是精准设计风味改善方法的关键前提。研究表明，豆香是一个复杂的挥发性化合物系统（Guo & Jingting, 2025; Ruan et al., 2025）。这些特征物质并非直接存在于原料中，而是在加工过程中通过一系列生物化学和化学反应逐步生成，包括酶促和微生物活动，以及由巴氏杀菌和灭菌等热处理引起的美拉德反应。游离氨基酸（FAA）和游离脂肪酸（FFA）被确定为关键芳香化合物（如醇类、酮类和酯类）的前体物质。它们的种类和浓度从根本上决定了风味形成的潜力和方向。此外，脂氧合酶（LOX）催化不饱和脂肪酸氧化产生挥发性醛和酮，这是豆腥味异味的主要来源（Wang, Su, et al., 2021）。有趣的是，通过氨基酸的斯特雷克降解也可以形成气味活性羰基化合物，例如由苯丙氨酸产生的苯乙醛以及其他风味活性化合物，这些化合物可能调节整体风味特征（Zhu et al., 2025）。因此，脂质氧化与氨基酸代谢之间的平衡在塑造豆浆最终风味中起着至关重要的作用。具体而言，酶解已被证明是一种破坏大分子结构以释放这些风味前体物质的有效方法（Weng et al., 2021）。此外，拥有丰富的前体物质并不一定保证理想的风味特征。将前体物质高效转化为特征挥发性风味化合物是最终风味形成的另一个关键步骤。乳酸菌（LAB）以其丰富而独特的代谢系统，被认为是将风味前体物质转化为实际“香气”的有效途径（Vong et al., 2018）。
风味是一种多维度的综合性感官感知，其分析的关键在于建立挥发性成分与感官体验之间的定量关系。然而，挥发性有机化合物数据的高维、非线性和高噪声特性使得传统多元统计方法（如主成分分析（PCA）和偏最小二乘判别分析（PLS-DA））难以准确识别关键风味化合物。相比之下，机器学习（ML）方法通过捕获复杂数据结构内的非线性关系和高阶相互作用，为风味物质的深入分析提供了新的技术途径。例如，Li, Zhao, et al. (2025) 利用逻辑回归和随机森林（RF）等豆腥味模型在禽蛋中筛选生物标志物，其中识别出 11 种关键风味化合物作为禽蛋香气的显著贡献物。
然而，单一机器学习模型往往表现出模型特定的偏差，并且由于过度适应训练数据中的随机噪声或偶然模式而容易过拟合和不稳定。因此，复合模型算法通过整合基于不同学习原理的预测框架，可以有效克服单一方法的局限性，从而提高特征选择的准确性和可解释性。Boruta 算法采用全相关性特征选择策略，通过构建与原始特征竞争的阴影特征，无偏地识别所有潜在相关化合物，从而有效避免传统方法典型的重要生物标志物遗漏问题（Kursa et al., 2010）。同时，SVM-RFE 算法结合了支持向量机（SVM）的最优分类超平面原理与递归特征消除（RFE）策略，能够基于特征对分类边界的贡献进行动态排序，以实现特征子集的精确优化（Wu et al., 2025）。这两种算法的渐进式应用确保了特征筛选的完整性和关键特征识别的特异性。
因此，本研究提出了一种结合酶预处理与乳酸菌（LAB）发酵的协同风味增强策略。该方法旨在通过酶解丰富风味前体物质，随后利用 LAB 及其他微生物的生物转化能力实现从“前体”到“特征香气”的高效转化，从而实现对豆浆风味特征的精准调控。首先，研究了酶解与发酵结合对豆浆功能、储存和营养特性的影响。在此基础上，采用 GC-IMS 和 LC-MS 等技术全面分析了发酵过程中挥发性及非挥发性风味化合物的动态变化。同时，实施了一种结合 Boruta 和 SVM-RFE 的渐进式机器学习框架，通过系统筛选和精确识别揭示关键风味前体物质与特征香气之间的转化途径和代谢相关性。本研究阐明了“酶解与发酵”策略在增香过程中对风味形成网络的调控机制，解决了传统脱臭导致的风味损失问题，为开发高质量、风味丰富的发酵豆浆提供了理论依据和技术支持。
章节摘要
乳酸菌与培养
实验所用的格氏乳杆菌 JM1 菌株购自东北农业大学教育部乳品科学重点实验室，并储存于 ?80 ℃。实验前，将该菌株接种至浓度为 4%（v/v）的 de Man, Rogosa 和 Sharpe（MRS）肉汤中，并在 37 ℃下培养 24 h 进行活化。该活化过程连续进行两代以制备最终种子液。细胞密度为
LOX 活性
由 LOX 氧化多不饱和脂肪酸产生的醛类被确定为“豆腥味”的主要来源。如图 1a 所示，JM1、APJM1、PLJM1 和 ENJM1 组的 LOX 活性与 UN 组相比显著降低。这种降低可能归因于 LOX 的蛋白质特性；在乳酸菌发酵过程中，豆浆的 pH 值低于 4.5，形成的酸性环境可使蛋白质变性，从而导致 LOX 失活，这与
结论
本研究通过整合机器学习和风味组学技术，系统阐明了复合酶解和发酵对豆浆风味特征的影响。结果表明，协同处理不仅增强了豆浆的营养和功能特性，还显著促进了风味化合物的形成。在风味成分方面，共鉴定出 80 种挥发性风味化合物和 76 种非挥发性风味化合物，由
CRediT 作者贡献声明
董凯：写作 – 初稿，方法论，正式分析，数据整理，概念化。张秋英：写作 – 审查与编辑，验证，概念化。叶欣通：方法论，正式分析。张宇：软件，正式分析。赵峰：写作 – 审查与编辑，验证，资金获取。蒋玉军：写作 – 审查与编辑，可视化，验证，资金获取，概念化。杨心言：写作 – 审查与编辑，可视化，
利益冲突声明
作者声明他们没有任何已知的竞争性经济利益或个人关系可能会影响本文所述工作的结果。
致谢
本研究由黑龙江省“双一流”学科协同创新成果建设项目（LJGXCG2022-021）资助。
董凯|张秋英|叶欣通|张宇|赵峰|蒋玉军|杨心言
