IF=9.7！江南大学毛健教授团队周志磊副研究员联合新加坡国立大学张大川教授《npj Science of Food》最新发文，利用人工智能算法实现水溶液中气味阈值的高精度预测

来源：江南大学传统酿造食品研究中心发布时间 :2026-10-10 点击量：

近日，江南大学毛健教授团队周志磊副研究员联合新加坡国立大学食品科学与技术系张大川助理教授，在国际食品科学期刊《npj Science of Food》（Q1，中科院1区Top，IF=9.7）发表题为“Machine learning reveals structural determinants of odor detection thresholds and identifies high-potency food odorants”的研究性论文，利用机器学习建立了水溶液中气味阈值的高精度预测模型，揭示了决定气味阈值的分子结构特征，为构建大规模食品气味阈值数据库，实现食品关键香气物质和香气轮廓的自动预测提供了理论基础。

文章背景

香气是决定白酒、黄酒、葡萄酒、调味品以及各类发酵食品品质和消费者感官体验的重要因素。随着全二维气相色谱、中心切割气相色谱和高分辨质谱等分析技术快速发展，人们从复杂食品体系中检测出数百甚至上千种挥发性物质，但 “哪些物质真正决定了食品香气”是理解和调控食品香气的核心问题。有些化合物虽然含量较高，但由于气味阈值较高，对整体香气的实际贡献可能有限；另一些化合物虽然含量极低，却可能因为具有极低的气味阈值，在痕量水平下就对产品香气产生明显影响。因此，气味阈值是计算气味活度值（浓度与阈值的倍数）、识别关键香气物质以及构建香气轮廓的核心参数。
然而，气味阈值测定高度依赖专业感官人员，不仅耗时、工作量大，且容易受到感官人员敏感度、实验设计和测试环境等因素的干扰。因此，自然界的气味物质超过50万种，仅1800种物质的阈值有报道，存在巨大的数据鸿沟，给关键气味物质的筛选和鉴定造成很大困难。利用现有物质的阈值信息，结合分子结构参数，使用人工智能算法建立预测模型，是大规模测定气味阈值的有效手段。

成果介绍

研究团队首先通过文献收集、检测介质限定、结构标准化和数据清理，建立了包含1003种独立化合物的标准化水相气味阈值数据集，并系统分析不同化学结构类别的气味阈值分布特征。结果表明，气味阈值与分子骨架和官能团类型密切相关，部分非环状含硫化合物、甲氧基吡嗪、卤代苯甲醚及环外酯化合物表现出极低的气味阈值。随后，团队比较了XGBoost、GBDT、LightGBM、随机森林等9种机器学习算法，其中XGBoost综合性能最佳，独立测试集R²达到0.8268。SHAP分析进一步显示，静电表面分布、氢键能力、分子大小、极化率和拓扑结构等分子特征共同影响气味阈值，揭示了分子结构与气味阈值之间的可解释关联。
为检验模型在未知香气物质中的实际应用能力，研究团队进一步选取177种未参与模型训练的香气化合物开展独立人体感官验证。结果显示，87.0%的预测值与实验测定值偏差控制在10倍以内，97.7%控制在100倍以内，具有良好一致性。更进一步，团队将模型用于极高香气（极低阈值）食品香气物质筛选，在1041种全新候选分子中锁定102种潜在低阈值高香气物质，并从中随机选择12种开展了感官验证，预测值与实测值之间具有良好的一致性。由此，模型实现了从“气味阈值预测”向“高香气候选物快速筛选”的进一步拓展。
这一研究为黄酒、白酒、啤酒及其他传统发酵食品关键香气物质的自动筛选和香气轮廓的自动预测提供了新的思路，可以助力开展关键香气物质挖掘、未知风味物质筛选和产品风格解析，帮助研究人员更快锁定最值得深入研究的候选分子，为后续构建面向真实食品基质的专用阈值数据库和人工智能模型提供了重要基础。