《Foods》:Predicting and Co-Optimizing the Taste and Aroma of Green Tea During Spreading Using the TabPFN Model
编辑推荐:
为研究摊放条件如何影响绿茶滋味与香气,并开发一种从小样本数据中可泛化的预测模型以优化工艺,本研究整合了扫描电子显微镜(SEM)、非靶向双组学以及Tabular Prior-Data Fitted Network(TabPFN),系统分析了“鄂茶10号”的摊放过
为研究摊放条件如何影响绿茶滋味与香气,并开发一种从小样本数据中可泛化的预测模型以优化工艺,本研究整合了扫描电子显微镜(SEM)、非靶向双组学以及Tabular Prior-Data Fitted Network(TabPFN),系统分析了“鄂茶10号”的摊放过程。采用中心复合设计(CCD)。脱水诱导的机械应力改变了细胞膜通透性,驱动非挥发性滋味化合物转化和挥发性香气释放。利用超高效液相色谱-高分辨质谱(UHPLC-HRMS)和顶空固相微萃取-气相色谱-质谱(HS-SPME-GC-MS)建立了两个化学-感官替代指标:相对茶多酚与氨基酸比值(R-PAR)和花香强度指数(FII)。基于这些指标与TabPFN构建了预测模型。多目标优化得到最优条件:初始含水率76.8%、温度26.2 °C、相对湿度61.5%、风速0.85 m/s,实现R-PAR 0.465和FII 125.70。与响应面法(RSM)、偏最小二乘回归(PLSR)和支持向量回归(SVR)相比,TabPFN的预测R2分别为0.81和0.77,在小样本数据上表现出良好的适用性和预测能力。本研究验证了TabPFN在小样本茶叶加工建模中的适用性,量化了摊放与关键滋味/香气代谢之间的映射关系,并为绿茶生产的数字化精准及智能优化提供了方法论基础。
【论文解读文章】
**研究背景与问题**
绿茶是全球消费最广泛的饮料原料之一,其滋味和香气在综合感官评价中权重高达55%。摊放是绿茶加工的首个关键步骤,通过水分蒸发引起细胞膜通透性改变,激活内源水解酶,促进蛋白质、多糖等大分子水解,消除青草气并增强鲜味。然而,现有研究多聚焦于单个化合物浓度监测,缺乏将工艺参数与滋味/香气属性关联的预测模型。此外,茶叶加工受季节采收窗口和湿化学实验高成本的限制,样本量通常很小(小样本场景),传统机器学习模型易过拟合。因此,亟需一种适用于小样本的高鲁棒性建模方法,以系统解析摊放条件对滋味和香气的影响,并实现多目标协同优化。
**研究目标与意义**
本研究以“鄂茶10号”鲜叶为原料,整合扫描电子显微镜(SEM)、非靶向双组学(UHPLC-HRMS和HS-SPME-GC-MS)及TabPFN模型,系统分析摊放过程。首次将TabPFN引入茶叶加工质量预测领域,并基于非靶向代谢组学和挥发组学联合构建的双质量指标(相对茶多酚与氨基酸比值R-PAR和花香强度指数FII)实现滋味与香气的多目标协同优化。研究发表在《Foods》,为绿茶数字化精准加工提供了方法论基础。
**关键技术方法(不超过250字)**
本研究采用“鄂茶10号”品种,鲜叶于2025年3月25日至4月15日采自湖北恩施咸丰县小村乡,标准为一芽二叶。主要技术方法包括:1)使用多参数可控薄层摊放试验台进行4因素5水平中心复合设计实验(共21组,重复3次,总63个样本),实时监测水分至70%后微波杀青固定。2)扫描电子显微镜(SEM)观察脱水应力下叶片微观结构变化(表皮细胞、气孔、蜡质等)。3)超高效液相色谱-高分辨质谱(UHPLC-HRMS)用于非靶向代谢组学分析,鉴定并筛选12种核心滋味化合物(6种黄酮苷、3种儿茶素、3种氨基酸),通过min-max归一化构建R-PAR。4)顶空固相微萃取-气相色谱-质谱(HS-SPME-GC-MS)检测挥发性化合物,基于相对气味活度值(ROAV)筛选β-紫罗兰酮和芳樟醇,求和得到FII。5)以初始含水率、摊放温度、相对湿度、风速为输入,R-PAR和FII为输出,构建TabPFN预测模型,并进行网格搜索多目标协同优化。
**研究结果**
**3.1 摊放过程对鲜叶微观结构的机械应力效应**
通过SEM观察发现:较高初始含水率组表皮细胞扁平、气孔微开、蜡质完整;中度脱水组表皮出现沟状收缩、气孔半闭,但角质层保持连续;极端脱水组(组9)出现维管束扭曲、气孔萎蔫、角质层干旱裂纹。这些微观结构变化间接反映摊放应力强度,为后续酶促转化提供生物物理环境。
**3.2 基于UHPLC-HRMS的R-PAR结果与分析**
**3.2.1 全局代谢谱与质量控制**
QC样本Pearson相关系数>0.99,共鉴定2473种代谢物(360种经标准品确认)。代谢物富集于苯丙烷类、聚酮类、有机酸及脂类;KEGG注释显示氨基酸代谢和碳水化合物代谢信号最强,反映摊放对碳氮代谢的影响。
**3.2.2 核心滋味化合物筛选与R-PAR构建**
基于CV<30%过滤、PCA载荷(|Loadings|>0.05)及已知滋味贡献,最终选定12种核心化合物(6种黄酮苷、3种儿茶素、3种氨基酸)。计算不同处理组的R-PAR,该值越低表示摊放质量越好(符合“抑苦增鲜”代谢目标)。
**3.3 基于HS-SPME-GC-MS的特征香气指数结果与分析**
**3.3.1 挥发性代谢物谱与代谢通路**
共鉴定261种挥发性化合物,醇类最多(25.67%),其次为酯类(15.33%)、酮类(14.56%)等。HMDB和LIPID MAPS注释显示脂质类分子占主导,KEGG富集表明挥发性代谢物在碳水化合物和氨基酸代谢通路中高度活跃,证实摊放过程中脂质降解与萜类/芳香族代谢的动态平衡。
**3.3.2 气味活性化合物筛选与FII构建**
以ROAV≥0.1初筛14种候选化合物,进一步以ROAV≥1确定β-紫罗兰酮(ROAV范围12.19–100)和芳樟醇(ROAV范围4.41–24.66)为核心香气贡献物,二者占花卉型化合物总ROAV的98%以上。FII定义为二者ROAV之和,样本FII值范围32.02–124.66,对摊放工艺变化高度敏感。
**3.4 基于TabPFN的质量预测与多目标工艺优化**
**3.4.1 摊放质量预测模型评估**
TabPFN模型对R-PAR的预测R
pred2为0.81,RMSE为0.11;对FII的R
pred2为0.77,RMSE为13.72。结果表明模型能有效学习工艺参数与核心滋味/香气间的非线性映射。
**3.4.2 多目标协同优化结果**
通过网格虚拟优化,最优工艺参数:初始含水率76.8%、温度26.2 °C、相对湿度61.5%、风速0.85 m·s
?1,预测R-PAR为0.465,FII为125.70。物理验证实验(初始含水率77.0%、温度26.0 °C、湿度61.5%、风速0.9 m·s
?1)测得R-PAR 0.478±0.015,FII 122.98±3.26,组内RSD分别为3.14%和2.65%,预测值均在实测值95%置信区间内,验证了模型准确性与可靠性。
**3.5 模型验证与机理分析**
**3.5.1 模型性能比较**
与响应面法(RSM)、偏最小二乘回归(PLSR)和支持向量回归(SVR)对比:TabPFN对R-PAR的R
pred2比SVR(0.69)高17.4%,RMSE降低27.6%;对FII的R
pred2比SVR(0.64)高20.3%,RMSE降低20.1%。TabPFN在小样本场景下表现最优。
**3.5.2 性能差异机理与应用适宜性**
RSM受二次多项式结构限制,无法捕捉高阶非线性;PLSR线性假设难以刻画复杂关联;SVR在稀疏区域核外推缺乏生物化学约束。TabPFN通过元学习固化了通用统计先验,在小样本空间构建光滑非线性映射,避免过拟合,因此性能更优。
**3.6 研究局限性**
1)代理指标(R-PAR和FII)未进行完整加工后的定量感官描述分析验证;2)模型仅基于“鄂茶10号”春季鲜叶,未在独立外部数据集验证;3)研究在可控薄层试验台进行,大规模工业生产中环境噪声显著,模型仍需多品种、多季节数据库校准迭代。
**结论翻译**
本研究系统阐明了绿茶摊放过程中水分缺失胁迫下的微观结构变化及滋味与香气轮廓的动态轨迹,并成功建立了专门针对小样本场景的双质量指标高保真预测模型。核心结论如下:
(1)扫描电子显微镜(SEM)观察证实,摊放过程中水分流失破坏了鲜叶细胞内的生化区室化,从而为后续酶促转化建立了所需的生物物理环境。此外,采用代谢组学驱动的方法精确定量了相对茶多酚与氨基酸比值(R-PAR)和花香强度指数(FII)。
(2)针对茶叶加工研究中固有的小样本挑战,本研究采用Tabular Prior-Data Fitted Network(TabPFN)算法构建了高精度质量预测模型。在最优参数:初始含水率76.8%、摊放温度26.2 °C、摊放相对湿度61.5%、摊放风速0.85 m·s
?1下实现了滋味与香气的协同优化。在此最优条件下,R-PAR和FII分别达到0.465和125.70。
(3)TabPFN模型的预测精度和泛化能力显著优于传统基线模型(RSM和PLSR)及常规机器学习算法(SVR),证实了利用TabPFN进行绿茶摊放质量预测的科学可靠性。
(4)本研究模型基于单一茶品种(“鄂茶10号”)春季鲜叶构建,其跨品种和跨季节的泛化能力仍有待进一步验证。R-PAR和FII属于化学代理指标,其与人体感官评价结果之间的定量关系仍需后续研究支持模型的工业应用。