基于HS-GC-IMS技术的可解释机器学习方法,用于强风味原酒(粗白酒)的等级预测

《Food Chemistry: X》:Interpretable machine learning for the grade prediction of strong flavor yuanjiu (crude Baijiu) based on HS-GC-IMS

【字体: 大 中 小 】 时间:2026年03月24日 来源:Food Chemistry: X 6.5

编辑推荐:

  贾欧阳|赵金松|黄明权|刘洪琴|孙宝国|吴继红|李呵呵|赵东瑞 中国轻工业酿酒分子工程重点实验室,北京工商大学,北京100048,中国 **摘要** 白酒成分的复杂性使得将特定风味化合物与白酒等级相对应成为一项关键挑战。本研究结合了顶空气相色谱-离子迁移谱(HS-G

  贾欧阳|赵金松|黄明权|刘洪琴|孙宝国|吴继红|李呵呵|赵东瑞
中国轻工业酿酒分子工程重点实验室,北京工商大学,北京100048,中国

**摘要**
白酒成分的复杂性使得将特定风味化合物与白酒等级相对应成为一项关键挑战。本研究结合了顶空气相色谱-离子迁移谱(HS-GC-IMS)和机器学习(ML)技术,探索了浓香型原酒(SFY)的等级分类,并构建了一个初步的SFY等级预测模型。通过HS-GC-IMS共鉴定出59种挥发性成分。使用六种ML模型对SFY样品进行等级预测,其中神经网络的分类准确率为88.2%。通过可解释性分析,筛选出戊醛、2-甲基丁醛等七种化合物作为潜在的等级标志物。作为HS-GC-IMS固有特性的一部分,单体和二聚体在统计分析过程中应予以保留。这项跨学科研究进一步突破了复杂风味预测的瓶颈,推动了SFY样品的科学分级。

**1. 引言**
浓香型白酒(SFB)是中国消费量最大的白酒子类别,其特点是窖香浓郁、口感醇厚、风味协调以及清新的持久余味(Wang等人,2022年)。SFB是当前白酒市场的主流产品,在烈酒Top 10排名中占据四席之地,2025年的总品牌价值约为426.7亿美元(数据来源:Brand Finance?)。浓香型原酒(SFY)是一种未经调配的白酒,按照SFB的酿造工艺生产。不同SFY的固有风味特性和调配比例对其核心风味特征、典型性和质量等级起着决定性作用。随着头部白酒企业生产能力的持续扩张,SFY产能过剩与高品质SFY稀缺之间的矛盾日益突出。此外,在市场逐利的驱使下,许多不法商贩将假冒伪劣产品混入高端SFY市场,严重扰乱了市场秩序。因此,SFY的质量等级认证对消费者和白酒制造商都具有重要意义。

传统上,白酒的评估主要依赖于感官评估人员的经验,他们通过综合评价白酒的色泽、香气、口感和风格来判定质量等级(Liu等人,2023年)。然而,人工评估存在明显的主观性、不一致性和不可预测性。有限的感官词汇难以准确表达白酒风味的多样性,导致样品间的差异模糊且无法量化(Chen等人,2024年)。白酒的质量差异与风味化合物的比例和组成密切相关,尽管这些化合物仅占总成分的1-2%(Li & Chen,2023年)。截至2024年12月31日,已在SFB中鉴定出1680种挥发性化合物,但并非所有化合物都与SFB的质量相关。相关研究主要集中在商业SFB上,对SFY质量等级的研究较为零散,导致区分SFY质量的化合物不明确(Han等人,2023年;Huang等人,2022年)。SFY的质量在很大程度上决定了成品(商业)白酒的质量。因此,筛选用于分类质量等级的潜在标志物是SFY质量研究的重点。

近期,许多研究采用不同方法和技术鉴定白酒中的挥发性有机化合物(VOCs)(Gao等人,2025年;Wang等人,2024年;Zhou等人,2025年)。其中,离子迁移谱是一种基于离子在电场中不同迁移率的分离和表征技术,可在常压下操作(Guo等人,2025年)。气相色谱-离子迁移谱(GC-IMS)系统结合了GC模块的高分离能力和IMS模块的超高灵敏度,能够可视化VOCs的差异。与气相色谱-质谱(GC-MS)相比,HS-GC-IMS为风味分析提供了互补的方法,能够快速筛选和识别白酒中的特征风味化合物。尽管HS-GC-IMS在识别置信度和绝对定量方面存在局限性,但它可以从少量样品中生成丰富的二维指纹数据,快速捕捉与白酒等级区分最相关的风味特征。HS-GC-IMS已应用于白酒风味、等级、年份和产地认证的研究(Fan等人,2024年;Niu等人,2025年;Wang等人,2025年;Zheng等人,2023年)。随着风味分析仪的升级,高分辨率和高容量数据成为可能,使得耗时费力的数据分析变得更加高效,但冗余和无关数据的普遍存在也会影响白酒质量判别的准确性(Li等人,2024年;Yu等人,2024年)。面对这些挑战,机器学习(ML)在处理大规模数据集、分析高维数据、独立学习新数据和自动优化算法方面表现出天然优势,能有效提升对食品风味的理解并减少分析中的主观性(Colantonio等人,2022年;Ji等人,2023年)。大量证据表明,某些ML模型(如随机森林、支持向量机、梯度提升决策树和神经网络)在白酒风味和质量分级研究中表现优异(Aliya等人,2024年;Liu等人,2023年;Schreurs等人,2024年;Zhu等人,2025年)。然而,ML模型在原酒等级预测中的应用仍较为罕见。

本研究采用跨学科方法,结合顶空气相色谱-离子迁移谱(HS-GC-IMS)和可解释的机器学习(ML),解析VOCs与质量等级之间的复杂高维关系,超越了传统线性模型。除了实现预测外,还利用了高级可解释性技术(如SHAP(Shapley Additive Explanations)来选择对等级区分有贡献的VOCs,将预测结果从“黑箱”转化为可视工具。此外,研究还批判性地评估了HS-GC-IMS的固有数据结构(尤其是单体和二聚体峰)对模型性能的影响。本研究旨在为SFY分级提供更科学透明的方法,并为白酒的质量标准化和可追溯性提供理论基础。

**2. 材料与方法**
2.1. 材料
共收到四川酒业集团有限公司(中国四川)提供的57个SFY样品,由专业评估人员分别评定为特级、优级和一级,数量分别为21个、22个和14个。根据行业标准(T/CBJ 002–2016),特级SFY具有浓郁的窖香,风味和口感协调,具有典型的SFB风格;优级SFY窖香明显,但整体风格略逊于特级;一级SFY窖香较弱,风格协调性较差。n-酮类(C4–C9,10 mg/L)标准品购自山东汉隆科学仪器有限公司(中国山东)。乙酸乙酯(99.9%)、丙酸乙酯(99%)、辛酸乙酯(99%)、3-甲基丁酸乙酯(99%)、2-甲基丁酸乙酯(99%)、1-丙醇(99.7%)、2-己酮(98%)和己醛(96%)购自J&K Scientific有限公司(中国北京)。异丁基异丁酸酯(98%)、四氢呋喃(≥99.5%)和己酸丙酯(≥98%)购自北京Mreda科技有限公司(中国北京)。丁酸乙酯(≥99.5%)和己酸乙酯(≥99%)购自上海Macklin生化科技有限公司(中国上海)。柠檬烯(≥95%)购自东京化学工业有限公司(日本东京)。丁醛(95.6%)购自TMRM科技有限公司(中国江苏)。

2.2. HS-GC-IMS分析
使用HS-GC-IMS系统分析VOCs。该系统包括DK803A顶空自动进样器(北京聚鑫卓峰科技有限公司)、7890B气相色谱仪(Agilent Technologies, Inc.,美国)和FlavourSpec? IMS(Gesellschaft für Analytische Sensorsysteme mbH,德国多特蒙德)。GC-IMS分析程序参考了已有方法(He等人,2021年)。将稀释后的SFY样品(1.0 mL,10%体积)转移到20 mL顶空样品瓶中,置于60°C下孵育10分钟。随后自动将100 μL顶空气体注入GC进样口(250°C,不分流)。挥发性化合物在TG-WAXMS毛细管柱(30 m × 0.25 mm,0.25 μm)上分离,加热程序如下:初始温度35°C,保持1分钟;然后以0.5°C/min升温至50°C,保持1分钟;再以8°C/min升温至70°C,保持1分钟;最后以15°C/min升温至235°C,保持3分钟。载气为氮气(99.999%,流速0.8 mL/min),漂移气为氮气(150 mL/min)。分离后,样品在IMS离子化室中通过3H离子源(活性300 MBq,正离子模式)进行离子化。漂移管温度设为45°C。

对于鉴定为二聚体的化合物,标准储备溶液在70%乙醇中配制并依次稀释至0.50–200 mg/L的浓度范围。这些标准溶液采用与样品相同的分析程序进行分析。

2.3. 机器学习
使用Orange软件(版本3.38.1)进行机器学习分析(Dem?ar等人,2013年)。HS-GC-IMS数据集中的每个VOC的归一化峰体积作为特征。数据集随机分为训练集和测试集,比例为4:1。训练集用于构建模型,测试集用于评估模型性能。通过十折交叉验证提高了模型的泛化能力。选择了六种ML算法进行SFY样品的等级预测,包括k最近邻(kNN,k = 5)、随机森林(RF,树数 = 200,深度限制 = 10)、支持向量机(SVM,核函数 = RBF)、自适应提升(AdaBoost,估计器数 = 200,学习率 = 0.3)、梯度提升决策树(GBDT,树数 = 200,学习率 = 0.05)和神经网络(NN,隐藏层数 = 3,每层神经元数 = 64,激活函数:ReLu,求解器 = Adam)。

2.4. ML模型的评估与解释
SFY样品的不同等级识别和预测属于分类问题。选择曲线下面积(AUC)、分类准确率(CA)和F1分数作为评估指标。AUC表示ROC曲线下的面积,横轴为假阳性率,纵轴为真阳性率。CA表示正确预测样本数占总样本数的比例。F1分数是精确度和召回率的调和平均值,该指标越接近1,模型性能越好。这些指标根据公式(1)、(2)、(3)、(4)计算得出:
(1) CA = TP + TN
(2) F1-score = 2 × Prec × Rec
(3) Prec = TP / (TP + FP)
(4) Rec = TP / (TP + FN)
其中TP(真阳性)表示实际阳性样本被正确预测为阳性,TN(真阴性)表示实际阴性样本被正确预测为阴性,FP(假阳性)表示实际阳性样本被错误预测为阴性,FN(假阴性)表示实际阴性样本被错误预测为阳性。

为了解释模型,引入了排列特征重要性和SHAP(Shapley Additive Explanations)来量化每个VOC的贡献,并通过排名显示其在预测特定等级中的重要性。对于每个等级,显示了最重要的10个特征。此外,个体条件期望(ICE)图可视化了关键特征变化对SFY样品等级预测概率的影响。

2.5. 统计分析
HS-GC-IMS数据使用VOCal软件处理,该软件集成了样品比较和可视化指纹功能。n-酮类标准品作为外部保留指数(RI)标记。VOCs的交叉定性基于GC × IMS库中的RI和漂移时间(DT)进行比较。数据使用Excel 2021整理和计算。主成分分析(PCA)和正交偏最小二乘判别分析(OPLS-DA)使用SIMCA 14.1(Umetrics,瑞典)完成。ChiPlot(https://www.chiplot.online/)用于绘制Sankey图和热图。BeeSwarm图和ICE图由Orange软件(卢布尔雅那大学)的相应模块生成。图形摘要由Figdraw(www.figdraw.com)制作。

**3. 结果**HS-GC-IMS分析
HS-GC-IMS的色谱图如图1A所示,它基于挥发性化合物的挥发性、极性和质子亲和力提供了强大的二维分离和可视化能力。水平和垂直坐标分别代表漂移时间(Dt)和保留时间(Rt)。反应离子峰(RIP,1.0秒)右侧的每个点代表一个分离组分。组分的颜色反映了化合物的浓度(颜色越红,浓度越高)。在不同等级的SFY样品中检测到的VOCs量大致相同,但差异比较图(图1B)显示某些VOCs的含量存在显著差异,表明VOC浓度与SFY等级之间存在相关性。RI值、保留时间和漂移时间被用来识别VOCs(表1)。所有化合物在380–2900秒的Rt范围和1.0–2.2秒的Dt范围内都得到了良好的分离。在不同SFY样品中共鉴定出59种VOCs(包括15种二聚体)和9种未知化合物,其中包括18种酯类、7种醛类、5种酮类、4种醇类、4种萜类、2种呋喃类、2种含氮化合物和1种含硫化合物。VOCs的鉴定结果与之前的研究(Wang等人,2025年)一致。酯类化合物是SFY样品中最丰富的种类,赋予水果、花香和甜味香气(Xu等人,2022年)。酯类化合物的差异也赋予了SFY不同的风味特征和多样性(Huang等人,2022年)。醇类是糖代谢的产物,也是酯类化合物的前体。低浓度的醛类和酮类可以增强白酒的风味(Wang等人,2024年)。萜类是白酒中的重要功能性化合物,具有抗菌、抗氧化和镇痛作用。呋喃类、含氮和含硫化合物的比例相对较小,赋予白酒坚果、咖啡和洋葱般的香气(Fan & Xu,2021年)。

下载:下载高分辨率图像(1MB)
下载:下载全尺寸图像

图1. 不同等级SFY样品的可视化图表。(A) 二维地形图;(B) 差异比较图;(C) VOCs指纹图。

表1. 不同等级SFY样品中VOCs的定性鉴定。

| 编号 | 化合物 | CAS | 分子式 | MWRI | Rt [s] | cDt [a.u.] | d |
|------|-------|-------|-------|---------|---------|------|
| 1 | 戊基己酸酯 | 540-07-8 | C11H22O2 | 186.3 | 149 | 284 | 8.07 | 32.14 |
| 2 | 长叶烯 | 475-20-7 | C15H24 | 204.4 | 140 | 1.12 | 760.95 | 2.12 |
| 3 | 异戊基苯甲酸酯 | 94-46-2 | C12H16O2 | 192.3 | 139 | 0.62 | 750.95 | 82.07 |
| 4 | 辛酸乙酯 D | 106-32-1 | C10H20O2 | 172.3 | 137 | 77.12 | 192.01 |
| 5 | 辛酸乙酯 M | 106-32-1 | C10H20O2 | 172.3 | 141 | 2.92 | 772.23 | 1.47 |
| 6 | (2E,4E)-2,4-壬二烯 | 5910-87-2 | C9H14O1 | 138.2 | 122 | 5.82 | 602.37 | 31.96 |
| 7 | 己酸丙酯 D | 626-77-7 | C9H18O2 | 158.2 | 129 | 5.02 | 659.84 | 1.90 |
| 8 | 己酸丙酯 M | 626-77-7 | C9H18O2 | 158.2 | 131 | 1.52 | 675.57 | 1.40 |
| 9 | 柠檬烯 D | 138-86-3 | C10H16 | 136.2 | 123 | 5.42 | 610.38 | 1.71 |
| 10 | 柠檬烯 M | 138-86-3 | C10H16 | 136.2 | 124 | 4.02 | 617.48 | 1.65 |
| 11 | 戊酸乙酯 D | 123-66-0 | C8H16O2 | 144.2 | 120 | 4.52 | 584.64 | 1.79 |
| 12 | 己酸乙酯 M | 123-66-0 | C8H16O2 | 144.2 | 121 | 3.72 | 592.28 | 1.34 |
| 13 | 乙酸己酯 | 142-92-7 | C8H16O2 | 144.2 | 123 | 1.52 | 607.13 | 91.90 |
| 14 | 1-丁醇 | 123-51-3 | C5H12O | 88.11 | 257.22 | 628.46 | 1.13 |
| 15 | 异丁基异丁酸酯 D | 97-85-8 | C8H16O2 | 144.2 | 109 | 2.12 | 412.75 | 1.79 |
| 16 | 异丁基异丁酸酯 M | 97-85-8 | C8H16O2 | 144.2 | 109 | 445.46 | 1.33 |
| 17 | 己醛 | 66-25-1 | C6H12O | 100.2 | 108 | 1.82 | 238.40 | 1.56 |
| 18 | 己醛 M | 66-25-1 | C6H12O | 100.2 | 108 | 1.82 | 238.66 | 1.24 |
| 19 | 未知化合物 | n.a. | n.a. | n.a. | 108 | 1.42 | 231.42 |
| 20 | 未知化合物 | n.a. | n.a. | n.a. | 108 | 1.42 | 231.97 |
| 21 | 未知化合物 | n.a. | n.a. | n.a. | 108 | 1.42 | 231.97 |
| 22 | 未知化合物 | n.a. | n.a. | n.a. | 107 | 2.22 | 75.73 | 1.78 |
| 23 | 异戊基甲酸酯 | 110-45-2 | C6H12O | 116.2 | 107 | 0.02 | 37.72 | 21.62 |
| 24 | 未知化合物 | n.a. | n.a. | n.a. | 106 | 5.81 | 968.05 | 1.75 |
| 25 | 未知化合物 | n.a. | n.a. | n.a. | 106 | 5.81 | 968.05 | 1.75 |
| 26 | 未知化合物 | n.a. | n.a. | n.a. | 106 | 5.81 | 968.05 | 1.75 |
| 27 | 未知化合物 | n.a. | n.a. | n.a. | 106 | 5.81 | 968.05 | 1.75 |
| 28 | 未知化合物 | n.a. | n.a. | n.a. | 108 | 1.42 | 231.42 | 1.63 |
| 29 | 未知化合物 | n.a. | n.a. | n.a. | 108 | 1.42 | 231.97 |
| 30 | 未知化合物 | n.a. | n.a. | n.a. | 108 | 1.42 | 231.97 |
| 31 | 未知化合物 | n.a. | n.a. | n.a. | 107 | 2.22 | 75.73 | 1.78 |
| 32 | 异戊基甲酸酯 | 110-45-2 | C6H12O | 116.2 | 107 | 0.02 | 37.72 | 21.62 |
| 33 | 未知化合物 | n.a. | n.a. | n.a. | 106 | 5.81 | 968.05 | 1.75 |
| 34 | 未知化合物 | n.a. | n.a. | n.a. | 106 | 5.81 | 968.05 | 1.75 |
| 35 | 未知化合物 | n.a. | n.a. | n.a. | 106 | 5.81 | 968.05 | 1.75 |
| 36 | 未知化合物 | n.a. | n.a. | n.a. | 106 | 5.81 | 968.05 | 1.75 |
| 37 | 未知化合物 | n.a. | n.a. | n.a. | 106 | 5.81 | 968.05 | 1.75 |
| 38 | 未知化合物 | n.a. | n.a. | n.a. | 106 | 5.81 | 968.05 | 1.75 |
| 39 | 未知化合物 | n.a. | n.a. | n.a. | 106 | 5.81 | 968.05 | 1.75 |
| 40 | 未知化合物 | n.a. | n.a. | n.a. | 106 | 5.81 | 968.05 | 1.75 |
| 41 | 未知化合物 | n.a. | n.a. | n.a. | 106 | 5.81 | 968.05 | 1.75 |
| 42 | 未知化合物 | n.a. | n.a. | n.a. | 106 | 5.81 | 968.05 | 1.75 |
| 43 | 未知化合物 | n.a. | n.a. | n.a. | 106 | 5.81 | 968.05 | 1.75 |
| 44 | 未知化合物 | n.a. | n.a. | n.a. | 106 | 5.81 | 968.05 | 1.75 |
| 45 | 未知化合物 | n.a. | n.a. | n.a. | 106 | 5.81 | 968.05 | 1.75 |
| 46 | 未知化合物 | n.a. | n.a. | n.a. | 106 | 5.81 | 968.05 | 1.75 |
| 47 | 未知化合物 | n.a. | n.a. | n.a. | 106 | 5.81 | 968.05 | 1.75 |
| 48 | 未知化合物 | n.a. | n.a. | n.a. | 106 | 5.81 | 968.05 | 1.75 |
| 49 | 未知化合物 | n.a. | n.a. | n.a. | 106 | 5.81 | 968.05 | 1.75 |
| 50 | 未知化合物 | n.a. | n.a. | n.a. | 106 | 5.81 | 968.05 | 1.75 |
| 51 | 未知化合物 | n.a. | n.a. | n.a. | 106 | 5.81 | 968.05 | 1.75 |
| 52 | 未知化合物 | n.a. | n.a. | n.a. | 106 | 5.81 | 968.05 | 1.75 |
| 53 | 未知化合物 | n.a. | n.a. | n.a. | 106 | 5.81 | 968.05 | 1.75 |
| 54 | 未知化合物 | n.a. | n.a. | n.a. | 106 | 5.81 | 968.05 | 1.75 |
| 55 | 未知化合物 | n.a. | n.a. | n.a. | 106 | 5.81 | 968.05 | 1.75 |
| 56 | 未知化合物 | n.a. | n.a. | n.a. | 106 | 5.81 | 968.05 | 1.75 |
| 57 | 未知化合物 | n.a. | n.a. | n.a. | 106 | 5.81 | 968.05 | 1.75 |
| 58 | 未知化合物 | n.a. | n.a. | n.a. | 106 | 5.81 | 968.05 | 1.75 |
| 59 | 未知化合物 | n.a. | n.a. | n.a. | 106 | 5.81 | 968.05 | 1.75 |
| 60 | 未知化合物 | n.a. | n.a. | n.a. | 106 | 5.81 | 968.05 | 1.75 |
| 61 | 未知化合物 | n.a. | n.a. | n.a. | 106 | 5.81 | 968.05 | 1.75 |
| 62 | 未知化合物 | n.a. | n.a. | n.a. | 106 | 5.81 | 968.05 | 1.75 |
| 63 | 未知化合物 | n.a. | n.a. | n.a. | 106 | 5.81 | 968.05 | 1.75 |
| 64 | 未知化合物 | n.a. | n.a. | n.a. | 106 | 5.81 | 968.05 | 1.75 |
| 65 | 未知化合物 | n.a. | n.a. | n.a. | 106 | 5.81 | 968.05 | 1.75 |
| 66 | 未知化合物 | n.a. | n.a. | n.a. | 106 | 5.81 | 968.05 | 1.75 |
| 67 | 未知化合物 | n.a. | n.a. | n.a. | 106 | 5.81 | 968.05 | 1.75 |
| 68 | 未知化合物 | n.a. | n.a. | n.a. | 106 | 5.81 | 968.05 | 1.75 |
| 69 | 未知化合物 | n.a. | n.a. | n.a. | 106 | 5.81 | 968.05 | 1.75 |
| 70 | 未知化合物 | n.a. | n.a. | n.a. | 106 | 5.81 | 968.05 | 1.75 |
| 71 | 未知化合物 | n.a. | n.a. | n.a. | 106 | 5.81 | 968.05 | 1.75 |
| 72 | 未知化合物 | n.a. | n.a. | n.a. | 106 | 5.81 | 968.05 | 1.75 |
| 73 | 未知化合物 | n.a. | n.a. | n.a. | 106 | 5.81 | 968.05 | 1.75 |
| 74 | 未知化合物 | n.a. | n.a. | n.a. | 106 | 5.81 | 968.05 | 1.75 |
| 75 | 未知化合物 | n.a. | n.a. | n.a. | 106 | 5.81 | 968.05 | 1.75 |
| 76 | 未知化合物 | n.a. | n.a. | n.a. | 106 | 5.81 | 968.05 | 1.75 |
| 77 | 未知化合物 | n.a. | n.a. | n.a. | 106 | 5.81 | 968.05 | 1.75 |
| 78 | 未知化合物 | n.a. | n.a. | n.a. | 106 | 5.81 | 968.05 | 1.75 |
| 79 | 未知化合物 | n.a. | n.a. | n.a. | 106 | 5.81 | 968.05 | 1.75 |
| 80 | 未知化合物 | n.a. | n.a. | n.a. | 106 | 5.81 | 968.05 | 1.75 |
| 81 | 未知化合物 | n.a. | n.a. | n.a. | 106 | 5.81 | 968.05 | 1.75 |
| 82 | 未知化合物 | n.a. | n.a. | n.a. | 106 | 5.81 | 968.05 | 1.75 |
| 83 | 未知化合物 | n.a. | n.a. | n.a. | 106 | 5.81 | 968.05 | 1.75 |
| 84 | 未知化合物 | n.a. | n.a. | n.a. | 106 | 5.81 | 968.05 | 1.75 |
| 85 | 未知化合物 | n.a. | n.a. | n.a. | 106 | 5.81 | 968.05 | 1.75 |
| 86 | 未知化合物 | n.a. | n.a. | n.a. | 106 | 5.81 | 968.05 | 1.75 |
| 87 | 未知化合物 | n.a. | n.a. | n.a. | 106 | 5.81 | 968.05 | 1.75 |
| 88 | 未知化合物 | n.a. | n.a. | n.a. | 106 | 5.81 | 968.05 | 1.75 |
| 89 | 未知化合物 | n.a. | n.a. | n.a. | 106 | 5.81 | 968.05 | 1.75 |
| 90 | 未知化合物 | n.a. | n.a. | n.a. | 106 | 5.81 | 968.05 | 1.75 |
| 91 | 未知化合物 | n.a. | n.a. | n.a. | 106 | 5.81 | 968.05 | 1.75 |
| 92 | 未知化合物 | n.a. | n.a. | n.a. | 106 | 5.81 | 968.05 | 1.75 |
| 93 | 未知化合物 | n.a. | n.a. | n.a. | 106 | 5.81 | 968.05 | 1.75 |
| 94 | 未知化合物 | n.a. | n.a. | n.a. | 106 | 5.81 | 968.05 | 1.75 |
| 95 | 未知化合物 | n.a. | n.a. | n.a. | 106 | 5.81 | 968.05 | 1.75 |
| 96 | 未知化合物 | n.a. | n.a. | n.a. | 106 | 5.81 | 968.05 | 1.75 |
| 97 | 未知化合物 | n.a. | n.a. | n.a. | 106 | 5.81 | 968.05 | 1.75 |
| 98 | 未知化合物 | n.a. | n.a. | n.a. | 106 | 5.81 | 968.05 | 1.75 |
| 99 | 未知化合物 | n.a. | n.a. | n.a. | 106 | 5.81 | 968.05 | 1.75 |
| 100 | 未知化合物 | n.a. | n.a. | n.a. | 106 | 5.81 | 968.05 | 1.75 |

下载:下载高分辨率图像(761KB)
下载:下载全尺寸图像

图2. 不同等级SFY样品的成对OPLS-DA分析。(A) Te等级和You等级SFY的散点图(R2X = 48.7%,R2Y = 29.8%,Q2 = 19.5%);(B) 等级标记的VIP值(Te等级 vs. You等级);(C) Te等级和Yi等级SFY的散点图(R2X = 57%,R2Y = 68.6%,Q2 = 60.2%);(D) Yi等级和You等级SFY的散点图(R2X = 63.4%,R2Y = 68.2%,Q2 = 60.2%);(E) VIP值表征了特征在分类过程中的重要性,VIP值大于1的特征通常被认为在区分中起重要作用(Huang等人,2022年)。

VIP分析显示,20种VOC(如甲基3-丁酸酯、甲基丁酸酯、2-戊酮、3-甲基-1-丁醇和α-蒎烯)被筛选为区分Te等级和You等级SFY样品的主要差异化合物。其中,甲基3-丁酸酯的VIP值最高(2.68),其他化合物的VIP值在1.01到2.05之间。在三个成对VIP分析中,共有35种VOC被筛选出来,包括15种酯类、7种醛类、4种醇类、4种烯类、3种酮类、1种吡嗪和1种呋喃。Sankey图(图3)显示了VOC与组之间的映射关系,其中9种VOC在三个分析中同时被识别为差异化合物,包括甲基丁酸酯、3-甲基-1-丁醇、2-甲基丁醛、乙酸乙酯、2-甲基呋喃、乙酸己酯、1-丙醇D和α-蒎烯。与之前的指纹图(图1C)相比,这些VOC的等级差异显著,进一步表明它们可能是等级差异的潜在标志物。

3.2 多变量统计分析
3.2.1 PCA分析
PCA是一种常见的多变量统计分析中的降维方法,通过线性变换将高维数据投影到低维空间,保留方差最大的主成分,从而揭示数据结构内部或样本之间的自然聚类趋势。PCA用于评估不同等级SFY的分类效果,如图S1所示。前两个主成分(PC)解释了总方差的46.4%(R2X[1] = 33.5%,R2X[2] = 12.9%,Q2(累积)= 51.4%),但累积解释方差较低。不同等级SFY样品在散点图中的明显交集表明PCA分析无法全面反映它们之间的差异。此外,由于PCA分析是一种典型的无监督判别方法,它缺乏对类别标签的明确应用,进一步说明PCA分析在区分具有已知等级信息的SFY样品时不太适用。

3.2.2 OPLS-DA分析
OPLS-DA是一种基于偏最小二乘回归算法的监督判别方法,引入正交信号校正来分解数据变异性为“预测”和“正交”成分,以区分组间差异(Li等人,2023年)。与PCA相比,不同等级的SFY样品在成对OPLS-DA分析中具有更好的聚类效果。在散点图(图2C/E)中,Te等级和Yi等级的SFY样品以及You等级和Yi等级的SFY样品可以有效地被分类,部分元素在Y轴附近有重叠。相比之下,图2A显示Te等级和You等级的SFY样品之间的重叠区域较大,分类效果较差,表明模型的可解释性和预测性较低。上述结果初步表明Yi等级的SFY样品与其他两个等级的SFY样品有更好的区分度,而Te等级和You等级的SFY样品之间存在一些组内差异,这些差异在线性空间中可能更为相似。此外,这三种分析的预测PC(R2X[1])和正交PC(R2Xo[1])得分较低,前者显著低于后者,表明在当前模型下存在一些组内变异,而组间异质性相对较高。假设HS-GC-IMS数据不满足线性假设,化合物与SFY等级之间存在更复杂的非线性关系。GBDT和SVM模型在学习阶段和预测阶段的分类准确率(CA)都超过了70%,AUC值也都超过了85%,这表明这两种模型可以用于预测SFY等级。然而,在六种模型之间的比较分析中,这两种模型的整体表现并不突出(见图S2)。值得注意的是,神经网络(NN)模型在学习阶段和预测阶段的AUC值超过了90%,分类准确率和F1分数都超过了80%,其中预测阶段的最高分类准确率达到了88.2%,表明NN模型具有最佳的学习和预测能力。

表2. 六种机器学习模型对SFY样本等级预测的分类性能。

| 模型 | 学习能力 | 预测能力 | AUC | F1分数 |
|---------------|--------------|--------------|--------------|--------------|
| AdaBoost | 0.670 | 0.569 | 0.568 | 0.667 |
| kNN | 0.785 | 0.628 | 0.625 | 0.774 |
| RF | 0.886 | 0.708 | 0.706 | |
| GBDT | 0.861 | 0.765 | 0.765 | |
| SVM | 0.865 | 0.794 | 0.788 | |
| RF | 0.907 | 0.824 | 0.822 | |

AUC:ROC曲线下面积,横轴表示假阳性率,纵轴表示真阳性率;CA:分类准确率,即正确预测样本数占总样本数的比例;F1分数:精确度和召回率的调和平均值。

NN模型的混淆矩阵结果显示,在训练集(见图S3A)和测试集(见图S3B)中,Te等级和You等级样本之间的预测错误较为频繁。这一现象与OPLS-DA的结果相似,进一步表明Te等级和You等级样本之间的相似性更为明显。此外,由于数据集中每个等级的样本数量并不完全平衡,仅依赖分类准确率(CA)来衡量模型的分类效果并不明智,因此引入了Kappa系数来进一步评估模型的分类效果。Kappa系数是基于混淆矩阵结果的一种分类准确度度量方法,可以有效惩罚分类偏差(Cohen, 1960)。根据公式S1,训练集和测试集的Kappa系数分别为0.753和0.812,表明模型在学习和预测方面保持了一致性,并且对不同等级的SFY样本进行了良好的分类,没有明显的预测偏差。上述等级混淆现象应归因于样本之间的高度相似性,这种相似性不太可能受到模型性能的影响。因此,鉴于NN模型的优越性能,它被认为是最佳模型。

3.4. 机器学习模型的解释
尽管NN模型能够理想地预测SFY等级,但它仍然缺乏对模型为何做出这种决策以及哪些特征在其中起关键作用的人性化解释,这使得该模型难以直接应用于实际生产中(Zhu等人,2021年)。然而,一个优秀的机器学习模型不仅需要适合特定预测任务的算法,还应该能够提供清晰的解释,因此可解释性分析在帮助人类更好地理解模型决策方面起着重要作用(Akman & Schuller, 2024年)。在这里,提出了排列特征重要性(Permutation Feature Importance)、SHAP和ICE图来洞察NN模型,这些方法可以用于对关键特征进行排序和解释。

3.4.1. 排列特征重要性
排列特征重要性用于量化每个特征在预测中的重要性,反映了特征值变化后模型预测误差的变化程度(Molnar, 2019年)。NN模型的排列特征重要性(前10个)如图4所示。Pentanal、2-methylbutanal、ethyl acetate M、limonene D、isobutyl isobutyrate M、1-propanol M、methyl acetate、limonene M、α-pinene和methyl butanoate是对模型预测有显著影响的化合物。与VIP分析(见图3)相比,有七种化合物(pentanal、2-methylbutanal、isobutyl isobutyrate M、α-pinene、methyl butanoate、limonene D和ethyl acetate M)在两种分析中同时被筛选为差异化合物,并且每种VIP分析中都标记了前5种化合物。尽管这两种分析基于不同的模型和原理,但相应的关键特征具有一致性,进一步证实了这些特征在SFY等级分类中的重要性,它们可能是影响SFY等级预测的潜在标志物。然而,排列特征重要性仅依赖于模型性能的下降情况来评估特征的重要性,而无法进一步解释这些特征是正面还是负面影响模型,也无法直接显示特征与预测目标之间的映射关系。

下载:下载高分辨率图像(105KB)
下载:下载全尺寸图像

图4. NN模型的排列特征重要性。

3.4.2. SHAP分析
SHAP是一种通过计算每个特征对最终输出的贡献来解释预测的方法,可以提高模型的可信度和透明度(Lundberg & Lee, 2017年)。不同等级SFY样本的SHAP值如图5和图S4所示。图中的每个点代表单个样本的SHAP值。红色点表示相应化合物的浓度较高,蓝色点表示浓度较低。较高的SHAP值意味着特征值对预测有较大影响,正的SHAP值表示对预测有正面影响,反之亦然。

下载:下载高分辨率图像(308KB)
下载:下载全尺寸图像

图5. NN模型中Te等级(A)和Yi等级(B)SFY样本的SHAP值蜂群图。点的颜色代表挥发性化合物的浓度;红色表示化合物浓度较高,蓝色表示浓度较低。(关于此图例中颜色的解释,请参阅文章的网络版本。)

SHAP值(见图5)显示了一个明显趋势:Te等级和Yi等级样本中的关键特征几乎相同,但相关性方向相反,尽管重要性排名略有不同。例如,pentanal和methyl butanoate的较高浓度与Te等级样本呈正相关,与Yi等级样本呈负相关;而3-methyl-1-butanol、limonene D和isobutyl isobutyrate M的较高浓度则与Te等级样本呈负相关,与Yi等级样本呈正相关。这种明显的对比表明上述化合物是区分Te/Yi等级样本的关键。相比之下,导致模型倾向于预测You等级的最显著特征是α-pinene、2-pentanone、2-butanol、ethyl propanoate M、pentanal和2-hexanone M。所有这些化合物在较低浓度下都与预测有显著的正相关。此外,3-methyl-1-butanol和isobutyl isobutyrate M等化合物与Yi等级样本的相关性表现出“波动”趋势,这可能是因为它们是区分Te等级和Yi等级样本的关键信息。综合三个等级的SHAP结果,共筛选出15种关键化合物,其中α-pinene、3-methyl-1-butanol、isobutyl isobutyrate M和pentanal对所有等级都很重要。Limonene D、1-propanol M和methyl butanoate对Te等级和Yi等级样本有显著影响,而2-pentanone和tetrahydrofuran D则影响Te等级和Yi等级样本的预测。与排列特征重要性相比,这两种解释方法共筛选出18种关键特征。其中,pentanal、2-methylbutanal、isobutyl isobutyrate M、methyl butanoate、α-pinene、limonene D和1-propanol M被同时识别为关键特征,表明它们是影响SFY等级的关键化合物。据报道,pentanal(草本和脂肪香气)在陈年白酒中含量较高,并推测其对白酒的质量有正面影响(Fan等人,2024年)。2-methylbutanal(可可和麦芽香气)是白酒中的重要支链醛类化合物。以往的研究仅将2-methylbutanal识别为重要气味成分,而可解释性分析通过相关方向和临界阈值将其转化为质量等级的标志物。Isobutyl isobutyrate(果香)和methyl butanoate(果香)是醇与酸之间的酯化产物。与以往的研究相比,这两种酯类展示了比常见乙酯(如ethyl hexanoate)更细致的酯类特征。不同等级中的酯类水平可以直接反映微生物脂肪酸和氨基酸代谢的差异(Xu等人,2022年)。α-pinene(松针状香气)和limonene(柑橘类香气)通常来自原材料(谷物、草药)或发酵环境,在陈年白酒中的浓度高于年轻白酒,对白酒的质量有正面影响(Wang等人,2023年)。萜类化合物作为白酒中的关键风味成分较少被讨论,但在这里被识别为扩展SFY等级分类的相关化学类别的重要特征。值得注意的是,limonene二聚体被选中,这突显了HS-GC-IMS中二聚体的区分能力。1-propanol(辛辣和果香)是白酒中的重要香气化合物。研究表明,1-propanol浓度的增加会抑制酯类化合物的挥发性,并增强苦味和收敛性,这与本研究的结果一致:较低的1-propanol含量更有利于获得高质量的SFY(Zhao等人,2025年)。尽管上述一些推断尚未得到现有研究的广泛支持,但它们仍为探索等级标志物指明了未来方向。

3.4.3. 个体条件期望
ICE图可视化了随着特征变化每个样本的预测如何变化,从而展示了预测与特征浓度之间的依赖关系(Wu等人,2023年)。图6显示了SFY等级预测中一些代表性特征的ICE结果,其中每条灰线代表每个样本的预测概率与特征之间的变化,粗黄色线代表所有样本预测概率的平均变化。

下载:下载高分辨率图像(714KB)
下载:下载全尺寸图像

图6. 不同SFY样本预测中代表性特征的ICE图。Pentanal(A)和2-methylbutanal(D)对Te等级样本的预测,methyl butanoate(B)和ethyl acetate M(E)对You等级样本的预测,limonene D(C)和hexanal D(F)对Yi等级样本的预测。X轴代表HS-GC-IMS结果中特定化合物的含量。

在图6A和图6D中,随着pentanal和2-methylbutanal含量的增加,SFY样本被预测为“Te等级”的概率呈现出上升和下降的趋势。然后,预测概率的平均变化曲线显示,当pentanal含量高于0.05%时,曲线的斜率显著增大,随后平均预测概率显著增加。类似地,当2-methylbutanal含量高于0.3%时,平均预测概率显著下降。假设Te等级SFY样本中这两种化合物的含量存在临界值。当预测目标为“Yi等级”(见图6B和图6E)时,methyl butanoate和ethyl acetate M含量的逐渐增加导致预测概率上升和下降,临界含量分别为0.4%和0.15%。如图6C和图6F所示,当预测为“Yi等级”时,limonene D和hexanal D含量的增加导致预测概率呈现上升和下降的趋势,临界含量分别为0.4%和0.225%。值得注意的是,图6B中某些样本的预测概率显著低于零,并呈下降趋势,这与平均概率有显著偏差。当前的白酒等级分类相对主观。You等级作为Te等级和Yi等级之间的等级,在某些方面与这两个等级有更多相似性,容易产生等级混淆。这与上述分析结果一致。因此,鉴于这种相似性,当甲基丁酸酯的含量发生变化时,一些SFY样本可能会被错误地分类为其他等级,从而导致预测概率出现显著偏差。总体而言,结果显示ICE图比SHAP更直观地展示了关键特征对预测的影响,并能够初步推测特定化合物在特定等级中的关键含量,从而以更清晰、更直观的方式预测SFY等级。与传统统计方法不同,后者只能列出差异化合物,这种可解释的框架能够定量解析VOCs与质量等级之间的复杂非线性关系。它将预测模型从一个“黑箱”转变为人类可以理解的见解。具体来说,它识别出可操作的标志物(例如戊醛、2-甲基丁醛),揭示它们对特定等级的定向影响,并进一步可视化潜在的决策阈值(如ICE图所示)。这一见解推动了行业从依赖主观经验向客观、数据驱动的决策方式的转变,对于建立白酒行业中的可信机器学习工具至关重要,在这个行业中,理解“为什么”与知道“什么”同样重要。

3.5. 二聚体对白酒等级的影响
值得注意的是,上述结果中选择了一些单体和二聚体作为关键特征,但这与白酒中化合物的实际特性不符,因为二聚体通常并不存在于白酒中。另一方面,二聚体的存在使得对应于该化合物的峰不再唯一,无论是单体还是二聚体都无法直接反映化合物的真实含量,即使它们的峰面积相加也是如此,因为它们的机器信号响应因子不同且不成比例。鉴于此,二聚体的存在如何影响化合物的定量和机器学习性能,以及这些关键化合物是否在后续的白酒等级区分中具有普遍性和通用性,值得进一步深入探讨。

3.5.1. 二聚体的形成及其对化合物含量的影响
HS-GC-IMS中的电离依赖于水合质子的形成及其与气态分析物的相互作用,而二聚体的形成是VOCs的重要离子-分子反应(H?ving等人,2024年)。如方程S2所示,中性样品分子M与水合质子碰撞,然后通过取代添加的水分子产生质子化的单体MH+(H2O)n。随后,当M的蒸汽浓度进一步增加时,另一个中性样品分子附着在质子化的单体上,形成质子结合的二聚体M2H+(H2O)n-x(Eiceman等人,2013年)。在这个过程中,只有具有比水更大的偶极矩和质子亲和力的分子才能取代水分子,在仪器中产生响应。2D地形图可以直观地反映单体和二聚体的分布。根据图S5,单体和二聚体表现为两个独立的离子峰,在漂移时间上明显分离。有趣的是,单体和水合质子的峰呈现出断裂现象,表明化合物浓度饱和并完全消耗了反应区域中的水合质子和质子化的单体,全部转化为质子结合的二聚体。当注入高浓度时,质子化的单体具有“自我稀释”效应,进一步结合化合物分子产生丰富的质子结合二聚体(Eiceman等人,2013年)。除此之外,实际样品中质子亲和力的差异导致化合物之间的竞争性电离,单体和二聚体之间也可能发生断裂(Jazan & Ghazali Khoob,2014年)。指纹图(图S6)直观地对比了不同浓度下二聚体的生成情况。在低浓度下,首先观察到单体离子峰,随后出现二聚体离子峰。随着浓度的逐渐增加,二聚体的强度逐渐增加,而单体的变化不明显。这与方程S2中描述的反应原理一致。此外,浓度-强度拟合曲线(图S7)反映了单体和二聚体随浓度的变化趋势。总体而言,单体和二聚体的峰体积与化合物含量之间没有明显的线性关系。单体的响应变化趋势平缓,直接使用它们来计算化合物含量会导致明显的误差。二聚体的峰体积随着浓度的增加而明显增加,拟合结果(也没有线性关系)更接近化合物含量的实际变化,这进一步表明二聚体的形成导致单体峰体积与化合物含量之间缺乏线性关系。因此,直接使用单体峰体积进行浓度计算是不科学的,后续分析中使用二聚体作为化合物的代表离子峰的效果值得探索。

3.5.2. 二聚体对机器学习性能的影响
为了进一步讨论二聚体对机器学习性能的影响,分别选择二聚体和单体作为特征来表征含有单体和二聚体的化合物,然后基于上述六种机器学习算法进行等级预测,结果分别显示在表S1和表S2中。与原始数据集的结果(表2)相比,当仅包含二聚体或单体时,不同算法的整体性能有所不同。在表S1中,只有NN模型的分类准确率(CA)在学习和预测阶段都超过了75%,但仍显著低于原始结果(88.2%)。同样,当缺少二聚体时,模型的分类准确率显著降低,每个模型都存在明显的欠拟合问题。这表明删除二聚体后,剩余特征在模型中的表达较差。这一现象表明,直接删除二聚体和单体显著影响了等级预测。此外,模型解释结果(图S8和S9)显示,在删除单体后,更多的二聚体被选为解释NN模型的关键特征,这与原始关键特征有明显差异。在删除二聚体后也得到了类似的结果,更多的单体被筛选为关键特征。虽然这些解释结果表面上排除了二聚体的影响,但也导致一些原本不重要的二聚体或单体被“错误”地筛选为关键特征。这些“误入选”的特征对实际的SFY等级划分没有指导意义,因此推测上述结果不仅难以直接推广到HS-GC-IMS的后续检测中,也难以在其他仪器检测中产生普遍性。二聚体的形成是离子迁移谱固有的特性,因此考虑到单体和二聚体之间的权衡实际上偏离了仪器的特性。此外,在HS-GC-IMS分析中通过拟合外部标准曲线来对化合物进行定量分析也是不合理的,因为竞争性电离会导致样品中单一化合物的峰体积受到其他化合物的影响,从而偏离标准曲线的拟合结果(Eiceman等人,2013年)。其他用于挥发性化合物的仪器很少检测到二聚体。鉴于此,脱离仪器特性讨论数据的普遍性是没有实际意义的。二聚体和单体应被视为HS-GC-IMS的重要特征,而不是影响结果普遍性的因素。在进行统计分析时,应保留二聚体和单体作为数据输入。

4. 结论
在这项研究中,通过HS-GC-IMS分析了不同等级SFY样品的VOCs。从不同的SFY样品中鉴定出了59种挥发性成分(包括15种二聚体)和9种未知成分。通过指纹分析,所有化合物在不同SFY样品中的趋势可以被分为四组,不同等级的SFY样品中存在不同的特征VOCs。传统的多变量统计分析表明,PCA和OPLS-DA在预测SFY样品的质量等级时效果不够令人满意,不同等级的样品之间存在明显的等级混淆。为了进一步提高预测的准确性和效率,使用了六种机器学习模型和三种可解释方法来预测SFY样品的等级,其中NN模型的分类准确率为88.2%。三种可解释分析为神经网络模型的决策过程提供了宝贵的见解。七种化合物,包括戊醛、2-甲基丁醛、异丁基异丁酸酯M、甲基丁酸酯、α-蒎烯、柠檬烯D和1-丙醇M,被筛选为潜在的“等级标志物”。对于含有二聚体的化合物,删除相应的单体和二聚体后,机器学习模型的性能显著降低,其可解释性结果偏离了仪器的固有特性。在将HS-GC-IMS应用于SFY质量控制时,应使用包含单体和二聚体峰的完整光谱指纹作为预测模型的标准化数据输入。这种方法确保了数据的完整性,并最大化了基于该技术构建的模型的预测鲁棒性,这是未来开发快速分级系统的重要基础。然而,考虑到这些化合物是基于特定模型和解释方法筛选的,以及HS-GC-IMS技术的局限性(例如,由于质子亲和力限制而分离酸的能力有限),这些结果不适合直接转化为SFY样品质量等级控制的生产指南,但仍有望为白酒行业建立标准化和严格的质量控制基准提供理论基础和技术支持。展望未来,机器学习将成为白酒风味研究中无处不在且无缝的技术,有望在精度、效率和创新方面取得进展。为此,需要进一步研究机器学习模型在区分白酒质量方面的普遍性、有效性和可解释性,这正在我们的实验室中进行考虑。

作者贡献声明:
Jia Ouyang:撰写——原始草稿、软件、方法论、概念化。
Jinsong Zhao:监督、资源提供。
Mingquan Huang:撰写——审阅与编辑、项目管理、资金获取。
Hongqin Liu:撰写——审阅与编辑、项目管理。
Baoguo Sun:监督、资源提供。
Jihong Wu:验证、监督。
Hehe Li:监督、资金获取。
Dongrui Zhao:监督。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号