综述:发酵食品系统中的非靶向代谢组学

《Fermentation》:Untargeted Metabolomics in Fermented Food Systems

【字体: 大 中 小 】 时间:2026年07月01日 来源:Fermentation 3.3

编辑推荐:

  发酵食品是化学复杂的系统,其中基质组成、微生物群落动态和理化条件相互作用,在多样化的化学类别中产生数千种代谢物。传统的靶向分析方法以高精度定量预定义的化合物,但在受限的化学空间内运行,系统性地排除了对产品特性、安全性和感官特征至关重要的涌现特征。非靶向代谢组学

  
发酵食品是化学复杂的系统,其中基质组成、微生物群落动态和理化条件相互作用,在多样化的化学类别中产生数千种代谢物。传统的靶向分析方法以高精度定量预定义的化合物,但在受限的化学空间内运行,系统性地排除了对产品特性、安全性和感官特征至关重要的涌现特征。非靶向代谢组学(Untargeted metabolomics)通过捕获发酵基质全局化学指纹解决了这一限制,使得能够在大部分代谢组中进行发现驱动的研究。本综述考察了非靶向代谢组学在发酵食品科学关键研究领域中的应用,包括发酵监控、微生物相互作用、风味开发、工艺优化、发酵后稳定性和安全性评估。在这些领域中,非靶向方法揭示了超越靶向分析范围的系统级代谢关系,同时也带来了解释挑战。一个核心限制是注释瓶颈:尽管特征检测率很高,但只有一小部分信号被结构鉴定,限制了机制解释和跨研究可比性。数据处理、统计验证和实验室间重现性的额外挑战进一步限制了数据解释。通过改进光谱库、标准化工作流程以及与互补组学整合来解决这些约束,对于推进非靶向代谢组学在发酵食品系统中产生可靠知识至关重要。
  1. 1.
    引言
    发酵食品代表了分析科学需要表征的最复杂的食品基质类别之一。其化学成分既非接种时固定,也不趋于稳定终点,而是反映了基质组成、微生物群落演替、物种间相互作用和理化条件在数小时至数月时间尺度上相互作用的动态输出。微生物群落和理化条件产生了跨越不同化学类别的数千种代谢物,影响产品质量、安全性和感官特性。重要的是,这些代谢物的很大一部分来自微生物共代谢,由复杂群落内的竞争与合作相互作用产生,因此其形成对初始条件高度敏感,无法从单一物种的代谢能力中可靠推断。最终定义发酵食品质量、安全性和功能性的化学景观最好被理解为一种涌现的系统级属性,而非孤立生化过程的可预测总和。尽管靶向分析方法对于定量分析和监管应用不可或缺,但在应用于高度动态和化学多样的发酵系统时面临重要局限。靶向方法基于参考标准、选择离子监测或经验证的多残留面板,以高精度量化预定义分析物,但运行在封闭世界假设下:只能检测到已知和预期存在的化合物。在发酵食品基质中,化学空间包含大量酵母衍生的次级代谢物,包括酯类、高级醇、有机酸以及发酵期间产生的其他转化产物,通常跨越广泛的动态浓度范围,靶向策略可能忽略意外或先前未表征的代谢物,因为它们固有地限于相对高浓度存在的代谢物,未能捕获系统的更广泛化学多样性。因此,它们可能无法完全捕获关键质量标志物可能对应于先前未描述的氧化产物,安全信号可能在受管制污染物达到临界阈值之前很久就以微妙的代谢扰动形式出现,或者香气特征可能由跨越不同化学类别的有限数量前体-产物关系控制。后果不仅是表征不完整,更是对发酵化学的结构性偏倚表示——反映了测定设计的约束而非系统的潜在代谢现实。非靶向方法主要通过高分辨率液相色谱-质谱(LC-HRMS)和针对挥发性组分的气相色谱-质谱(GC-MS)实施,每次样品检测数万个代谢特征,涵盖极性和非极性初级代谢物、次级代谢物和转化产物。所得数据集在特定时间点捕获发酵基质的全局化学指纹,并在纵向设计中能够重建系统水平的发酵轨迹。重要的是,这种指纹策略本质上是假设生成的,而非假设确认的:它允许识别区分条件、随时间演变或与工艺变量和质量属性相关的特征。最近几篇综述探讨了代谢组学和多元组学在发酵食品中的应用,包括韩国泡菜、酱油、豆豉和其他传统发酵食品,然而关于代谢物注释、生物学解释、重现性、质量控制和标准化方法的批判性讨论仍然相对有限。当应用于发酵食品系统时,这种发现驱动范式揭示了来自微生物相互作用的代谢物,这些无法从单培养研究中预测,通过系统级扰动模式实现了污染的早期检测,并发现了将特定代谢类别与感官结果联系起来的前体-产物关系。总之,这些发现强调了非靶向代谢组学捕获超越靶向分析框架范围的涌现化学行为的能力。然而,非靶向代谢组学应被视为补充而非替代靶向方法,因为生物学解释、定量验证和监管决策通常需要验证性靶向或半靶向分析。该领域现已成熟到越来越认识到非靶向代谢组学的局限性。虽然过去十年分析平台已大幅改进,但数据解释和代谢物鉴定仍然是限制非靶向代谢组学充分利用的主要挑战。当前的分析平台生成具有高运行内重现性的特征丰富数据集;然而,只有一小部分检测到的特征可以在结构水平上自信地注释。这一挑战在发酵食品中可能尤为突出,其中微生物代谢物、生物转化产物、美拉德衍生化合物和基质特异性代谢物在当前光谱数据库和参考库中代表性不足。此外,特征水平发现在实验室间的重现性仍然有限,统计判别特征与生物学有意义机制之间的联系通常不清楚。因此,基于大量未注释特征构建的多变量模型可以高精度区分发酵产品,但对驱动这些差异的基础化学提供的见解有限。此外,当前工作流程可能无法检测到具有生物学意义低丰度化合物,这突显了未鉴定特征和未检测代谢物都导致发酵食品代谢组表征不完整。这些解释性约束并非偶然,而是反映了基本限制,包括不完整的光谱参考数据库、标准化和质量控制实践不足,以及优先考虑代谢组覆盖而非复杂食品基质中结构化生物学解释的分析工作流程。本综述考察了非靶向代谢组学在发酵食品研究关键领域的应用,包括动态发酵过程监控、微生物代谢和物种间相互作用表征、风味和香气开发阐明、工艺条件优化、发酵后稳定性评估以及安全相关化学变化检测。对于每个领域,评估了非靶向方法揭示超越靶向分析范围见解的能力,以及限制发现转化为可操作知识的解释局限性。特别关注与代谢物注释、生物学解释、重现性、质量控制和将非靶向代谢组学发现转化为稳健可操作知识相关的挑战。综述最后评估了当前限制该领域的方法论和概念挑战,以及对实验设计、质量控制、代谢物注释和数据报告的实际建议。这项工作旨在定义非靶向代谢组学作为理解发酵食品系统的分析框架的当前能力和局限性,而非提供应用目录。
  2. 2.
    概念与分析框架
    靶向与非靶向代谢组学之间的区别不仅反映了技术差异,还反映了分析认识论的根本分歧。靶向方法使用三重四极杆仪器上的选择反应监测或多反应监测定量预定义代谢物,为具有确定身份和碎裂行为的化合物提供高灵敏度、精密度和绝对定量。虽然这种假设确认框架非常适合定量分析、验证研究和监管应用,但其覆盖范围固有地限于预定义化合物。这一限制可能降低其捕获高度动态系统(如发酵食品基质)全部化学复杂性的能力,其中代谢组超出了现有分析面板。发酵不产生静态代谢物清单;相反,不同微生物群落的联合和连续活动——受基质消耗、pH演变、温度和物种间相互作用影响——驱动了化学多样代谢组的持续形成和转化,涵盖有机酸、酯类、高级醇、生物转化多酚、生物活性肽和结构未表征的次级代谢物。在此背景下,靶向面板提供预定义代谢物的信息,但可能忽略有助于产品特性、批次间变异性和功能特性的意外代谢物和转化产物。非靶向代谢组学通过获取广泛部分的电离或可挥发化学空间来部分解决此限制,使得能够进行采集后化合物注释并从复杂数据集生成新假设。然而,生物学解释和验证通常需要补充靶向或半靶向方法。重要的是,非靶向和靶向代谢组学应被视为互补而非竞争的分析策略。在实践中,非靶向方法主要用于发现、系统级表征和假设生成,而靶向工作流程对于定量确认、验证和监管应用仍然必不可少。图1提供了发酵食品系统中非靶向代谢组学工作流程概述,从样品收集和数据获取到生物学解释和工业应用,同时突出了当前分析挑战和未来预测发酵管理的机会。在发酵基质中实施非靶向代谢组学引入了比简单生物系统更明显的分析挑战。高浓度的乙醇、有机酸、糖和 polyphenol 产生强烈的基质效应;在电喷雾电离中,共洗脱化合物会抑制或增强分析物信号,从而降低特征可检测性和相对定量的准确性。因此,样品制备必须平衡降低基质复杂性和保留代谢组覆盖率之间的基本权衡。这一限制在发酵饮料的挥发性分析中尤为明显,提取技术的比较评估(包括动态顶空、固相微萃取(SPME)、固相萃取、液液微萃取和搅拌棒吸附萃取)表明每种方法仅捕获挥发性化合物的不同子集。方法间注释特征的重叠通常有限,SPME和固相萃取成为互补而非冗余的方法。因此,没有单一提取方案能全面回收发酵食品代谢组,稳健表征越来越需要多方法策略。最佳样品制备策略也强烈依赖于基质,因为发酵饮料、乳制品、大豆发酵、肉制品和谷物发酵在乙醇、脂肪、盐、蛋白质和polyphenol含量方面差异很大,直接影响提取效率、基质效应和代谢物回收率。除了分析考虑之外,批次间变异性代表了发酵系统固有的额外挑战。微生物群落随机性和基质异质性引入了显著的样本间变异。此外,区分生物学变异与技术批次效应在大规模发酵研究中仍然是一个主要挑战,特别是当样品在不同生产批次、季节或发酵阶段收集时。这些变异性来源进一步使非靶向代谢组学数据的解释复杂化,强化了需要精心构建的工作流程,整合分析和生物学不确定性来源。诸如实验随机化、批次感知统计建模和适当的质量控制程序等策略对于最小化混杂效应和提高生物学解释的可靠性至关重要。在仪器水平上,LC-HRMS、GC-MS和核磁共振(NMR)提供了发酵代谢组的互补而非可互换视图。LC-HRMS——特别是使用四极杆-轨道阱或QTOF仪器在数据独立采集(DIA)模式中——为非挥发性和半挥发性化合物提供了最广泛的覆盖范围,跨越宽极性范围,具有亚5 ppm质量精度支持分子式分配和所有检测特征的并发MS/MS采集。多柱策略(例如,反相和HILIC在两种电离模式下)每样品可共同检测数千个结构不同的特征,尽管以高置信度注释的比例受到当前光谱数据库覆盖范围限制,特别是对于微生物代谢物、发酵衍生的转化产物和可用参考库中代表性不足的基质特异性化合物。GC-MS在挥发性化合物分析中保留了独特优势:其光谱重现性和广泛电子电离库的可用性使得香气活性化合物的注释置信度高于通常在LC-MS/MS中可实现的。二维GC耦合到飞行时间质谱(TOFMS)的使用进一步增加了峰容量,解析了葡萄酒和啤酒等复杂基质中共洗脱的酯类、醇类和萜类。NMR占据了一个互补的利基:虽然灵敏度较低,但它本质上是定量的、非破坏性的,并且在异构体区分方面具有结构信息性,使其特别适用于发酵监测和食品认证。表1提供了用于发酵食品非靶向代谢组学的主要分析平台的比较概述,包括其能力、局限性和典型应用。在所有平台中,化合物注释仍然是一个主要瓶颈。这一限制在发酵食品中尤其相关,其中广泛的微生物代谢和生物转化产生了经常缺席于常规代谢组学数据库的化合物。尽管非靶向LC-MS数据集中的注释率通常较低,但发酵食品系统中真正高置信度注释特征的比例仍不确定,并且强烈依赖于基质复杂性、分析平台和数据库覆盖范围。最近的进展——包括知识引导多层网络方法、计算机MS/MS光谱预测工具(如SIRIUS和CANOPUS)、机器学习辅助注释策略和离子淌度衍生的碰撞截面测量——开始将注释扩展到以前无法进入的化学空间区域。然而,这些方法仍然是补充而非确定的解决方案,它们在高度复杂发酵食品基质中的性能需要进一步验证。然而,在发酵食品系统中,微生物生物转化产生结构新颖的化合物,这些化合物不存在于一般代谢组学数据库中,这种注释差距代表了一个实质性前沿。未来的进展还将取决于改善发酵食品的数据库覆盖范围,并更广泛地纳入非西方发酵产品,包括目前在代谢组学资源中代表性相对不足亚洲发酵食品和饮料。解决它将需要开发发酵特异性光谱库,并将代谢组学与互补组学方法整合,特别是宏基因组学,以将化学特征与产生它们的潜在微生物酶促过程联系起来。
  3. 3.
    数据处理与解释
    从原始分析数据到生物学有意义信息的转变代表了非靶向代谢组学中最关键和最具挑战性的阶段之一。与靶向方法不同,在靶向方法中化合物是在既定分析框架内预定义和量化的,非靶向工作流程需要多个计算和解释步骤,每个步骤都引入了可能影响下游结论的不确定性来源。在发酵食品系统中,这些挑战因基质的化学高度复杂性和动态性质而进一步放大。图2总结了数据处理和解释涉及的主要阶段,同时突出了主要分析瓶颈、不确定性来源和迭代反馈过程,这些共同决定了代谢组学衍生见解的可靠性和生物学相关性。特征检测——从原始LC-MS数据中提取色谱峰——代表了早期和有影响力的变异性来源。控制峰宽、强度阈值和噪声过滤的算法参数必须仔细适应数据集,因为次优参数化可能会夸大噪声衍生信号或降低对低丰度代谢物的灵敏度。在发酵食品基质中,这一挑战尤为明显:结构相关化合物(例如,来自蛋白水解的异构短链脂肪酸或氨基酸结合物)的共洗脱会使峰去卷积复杂化,而由高丰度内源性成分驱动的基线不稳定性可能会引入难以与真实代谢物区分的人为信号特征。跨样品比对试图匹配注射运行之间的特征,尽管保留时间和质荷比(m/z)漂移,同样对基质驱动的变异性敏感。在组成在发酵阶段或生产批次间发生实质性变化的系统中,实现一致的比对仍然是一个重要的挑战,而不是工作流程中完全解决的步骤。一旦构建了特征表,就需要归一化以减少不能反映潜在生物学差异的分析变异性。因此,归一化策略的选择具有重大影响,因为不同方法的表现因数据集结构、差异丰度特征比例以及生物学和技术方差的相对贡献而异。基于质量控(QC)的校正方法——其中混合样品在分析序列中重复进样以建模和校正信号漂移——被广泛推荐用于大型LC-MS数据集。然而,在时间分辨的发酵实验中,在连续阶段收集的样品组成上有系统地不同,如果QC样品不能充分捕获研究的组成范围,基于QC的校正可能会衰减真实的生物学变异。这一限制可能与纵向发酵研究特别相关,其中在整个过程中发生了实质性的组成变化,单个混合QC样品可能无法完全代表所有发酵阶段。批次效应——由仪器漂移、试剂差异或提取效率变化引起的系统性变异性——可以影响整个代谢物类别,并且在跨越不同生产运行或实验室的多批次发酵研究中特别具有挑战性。如果没有适当说明,批次效应可能导致多变量分析中的人为样品分组,可能掩盖数据的潜在生物学结构。检测到的、归一化的特征与结构注释的代谢物之间的差距代表了非靶向代谢组学解释能力的一个主要限制。即使在最佳实践条件下,非靶向数据集中只有有限比例检测到的分子特征获得自信的结构注释。这既反映了参考光谱数据库的不完全覆盖,也反映了加合物、源内碎片和同位素峰对总特征计数的重大贡献。在发酵食品基质中,这一挑战因生物转化产物的存在而进一步加剧——例如糖苷水解产物、酯化酚酸和菌株特异性生物活性肽——这些通常不存在于主要从生物体液和模式生物派生的通用代谢组学数据库中。尽管代谢组学文献中经常报告接近10%的值,但发酵食品代谢组学中真正的注释率仍不确定,并且可能取决于基质复杂性、分析平台和数据库覆盖范围。这个问题在发酵食品中日益得到认可,其中微生物代谢物、发酵衍生的转化产物和基质特异性化合物在现有数据库中代表性很差。代谢组学标准倡议(MSI)置信水平提供了一个广泛采用的框架,用于传达注释确定性。确认的结构(级别1)需要与在相同条件下分析的真实参考标准进行比较,而推定注释的化合物(级别2)依赖于谱库匹配或计算机碎裂预测。初步注释(级别3)仅基于质量和碎裂模式的化合物类别推断。在实践中,食品发酵研究中的大多数注释特征属于级别2和3,反映了当前注释策略的固有局限性。然而,这些级别之间的区别在文献中并不总是得到明确维护,这可能导致对化学信息的过度解释,而这些信息可能没有充分的证据支持。计算机注释工具的最新进展,包括SIRIUS和CANOPUS等平台以及COSMIC等工作流程,开始将结构注释扩展到现有库未覆盖的化学空间。虽然这些方法代表了重要进展,但在较低置信水平下仍存在不确定性,并且仍然需要使用参考标准进行独立验证以进行明确的结构确认。多变量统计分析在从高维代谢组学数据集中提取生物学意义方面发挥着核心作用。无监督方法,如主成分分析(PCA),提供了方差结构的无偏概览,并且特别有助于识别分析异常值并在假设检验之前评估样品分组的内在一致性。监督方法,特别是偏最小二乘判别分析(PLS-DA)及其正交变体(OPLS-DA),广泛应用于发酵食品研究,以识别导致发酵条件、发酵剂培养物或产品类别之间差异的特征。然而,这些模型的监督性质引入了公认的过拟合风险,特别是在特征数量大大超过样品数量的数据集中,这在发酵食品代谢组学中很常见。置换检验和交叉验证是常用的保障措施,尽管它们的应用和报告并不总是保持一致,并且在模型构建之前对非信息特征的过滤不足可能导致膨胀的变量重要性(VIP)分数和候选生物标志物的重现性降低。因此,判别性能本身不应被解释为生物学相关性的证据,特别是当候选生物标志物缺乏结构注释或独立验证时。通路富集分析通过将注释的代谢物映射到已知代谢途径来扩展解释,但它继承了上游处理步骤的不确定性。注释限制、不完全的通路数据库和对特征明确通路的偏见意味着富集结果更适合被解释为假设生成而非确认。越来越多地,稳健的解释框架将代谢组学与互补组学方法(如宏基因组学或宏蛋白质组学)整合,使用有关微生物功能潜力的信息来上下文化代谢物动态并限制生物学上合理化的解释范围。总之,数据处理和解释不应被视为下游步骤,而应视为强烈影响发酵食品代谢组学研究结论的分析工作流程的组成部分。此类研究的重现性不仅取决于原始数据的质量,还取决于处理参数、归一化策略和注释置信水平报告的透明度。在高影响力期刊上发表的最佳实践指南已开始将这些要求正式化,尽管它们在应用食品科学中的采用仍然参差不齐。未来的进展将不仅取决于改进的分析性能,还取决于数据处理工作流程更大程度的标准化、报告指南的更广泛采用以及发酵食品特异性注释资源的开发。
  4. 4.
    发酵食品系统中的应用
    4.1. 发酵过程监控
    发酵展开为由不断变化的微生物种群、底物可用性和积累的最终产物驱动的代谢阶段序列。这些阶段不是离散的转变,而是连续的化学轨迹,它们的表征需要一种能够捕获整个代谢组而非预定义分析物子集的监控策略。非靶向代谢组学使得能够将发酵描述为穿越化学空间的轨迹:在每个时间点,全局代谢指纹不仅反映了产物积累,还反映了中间体动态——包括前体消耗、瞬时代谢物池和途径级通量变化——这些不容易被靶向方法捕获。一项益生菌发酵乳的时间过程UPLC-HRMS研究说明了这种时间结构,在前36小时内代谢组学谱显著分化,随后在成熟期间稳定,并且时间点特异性代谢物与三羧酸(TCA)循环活性、谷氨酸代谢和脂肪酸途径相关。补充的以风味为重点的研究进一步表明,发酵可能表现出离散的“关键时间节点”,此时协调的代谢转变与主要的感官相关变化相吻合,包括与支链氨基酸生物合成途径相关的气味活性值增加。这种轨迹与最初的活跃分解代谢重塑阶段相一致,随后是代谢巩固,这种模式很难仅使用终点测量来解决。啤酒五个酿造阶段的挥发性指纹提供了一个补充例子,显示了从麦汁中醛和呋喃主导的谱转变为发酵后脂肪族酯和高级醇占主导地位。这种转变反映了从热驱动的美拉德化学反应到酵母介导的生物合成的过渡。重要的是,这些变化的时间和广度不容易从专注于最终产品化合物的靶向监控策略中重建,突显了非靶向方法对于捕获发酵过程的全部时间和化学复杂性的价值。在传统亚洲发酵饮料中也报道了类似的观察结果。黄酒发酵的代谢组学分析揭示了整个酿造过程中氨基酸代谢、有机酸生产和香气前体形成的显著时间变化,使得能够区分超出常规理化指标的发酵阶段。这些发现强化了发酵可以被描述为连续代谢轨迹的概念,并证明了非靶向代谢组学的适用性扩展到文化和技术上不同的发酵系统。通过代谢转变解析发酵阶段并将每个阶段与化学连贯的签名相关联的能力代表了非靶向代谢组学相对于靶向方法的关键优势。在葡萄酒中,基于HRMS的单菌株和混合酿酒酵母/非酿酒酵母发酵分析表明,非挥发性代谢组不仅编码物种水平的差异,还编码酿酒酵母内的种内变异,包括与差异氮代谢相关的数百种菌株特异性代谢物。这种分辨率很难用靶向风味面板实现,后者通常捕获终点结果而没有完全反映潜在的代谢过程。葡萄酒发酵的实时质子转移反应飞行时间质谱(PTR-ToF-MS)监测进一步说明了这一点,揭示了全局挥发性有机化合物(VOC)指纹的非线性演变。值得注意的是,Metschnikowia pulcherrima与酿酒酵母/Torulaspora对的同步接种产生了不同于任何两两组合的挥发性谱。这种对相加性的偏离反映了竞争和合作的微生物相互作用,调节了通过酯和高级醇生物合成的通量,突显了从基于单培养的靶向分析不易预测的模式。在乳制品发酵系统中也观察到类似水平的机制洞察。酸奶生产的高时间分辨率NMR代谢组学分析表明,甲酸盐动态在不同发酵剂培养物组合之间存在差异,反映了嗜热链球菌(从丙酮酸产生甲酸盐)和乳杆菌属物种(需要甲酸盐用于生长)的补充代谢作用。由此产生的甲酸盐轨迹提供了过程状态和微生物相互作用的敏感指标,捕获了通常不由常规分析方法解析的代谢相互依赖的各个方面。此类观察说明了非靶向代谢组学如何揭示支撑发酵性能和产品特性的功能相关代谢关系。过程偏差的检测——定义为与预期代谢轨迹的偏离——将非靶向代谢组学的应用扩展到质量控制领域,尽管实际挑战仍然存在。在中国白酒发酵中,四个连续季节的代谢组全谱分析显示,季节间代谢变异超过了过程内变异性,这是由温度依赖性微生物群落组成变化驱动的,这些变化传播到改变的产品谱中,尽管发酵条件受控。基于单一季节校准的靶向监控系统可能会将此类跨季节批次识别为异常,但不能直接提供对根本原因的见解。相比之下,全局代谢指纹捕获了这些偏差的大小和化学性质,支持对过程变异性更明智的解释。类似地,在葡萄酒中,基于GC-MS的代谢组学证明,结构相关的三唑类杀菌剂产生了不同的代谢扰动模式,差异影响氨基酸、碳水化合物和脂肪酸途径。这些发现表明,污染物驱动的偏差可以产生足够特异的代谢特征,以区分残留类型。尽管有这种潜力,重要的限制仍然存在。偏差通常被观察为多变量排序空间中的位移,但是将这些模式转化为可操作的过程干预取决于基础特征的结构注释。尽管光谱数据库、计算工具和分子网络的进步改善了注释能力,但是在发酵食品系统中检测到的大部分代谢组学信号仍然仅被部分表征。因此,从异常检测到机制过程诊断的过渡继续代表着一个关键挑战。未来的进展可能不仅取决于生成更大的代谢组学数据集,还取决于提高注释置信度以及将代谢组学信息整合到能够支持工业决策的预测过程控制框架中。
4.2. 微生物代谢与相互作用
非靶向代谢组学能够表征源于微生物相互作用而非孤立生物体活动的涌现代谢行为,这是一个分析基础上的区别。发酵食品的代谢组不仅仅是个体分类群输出的集合,而是底物竞争、共享中间体的连续转化以及生物体响应邻居而经历代谢重编程的化学记录。这些群落水平的动态产生了不易从基于单培养的靶向分析中预测的化学复杂性,因为许多相关代谢物专门从相互作用依赖的过程中产生。在白酒固态发酵中,结合宏转录组学和代谢组学表明,群落模块性(定义为分类群组织成功能不同的子群落)的增加与增强的挥发性风味产生相关,这不能归因于任何单一属。因此,代谢输出反映了微生物网络作为一个整体的属性,而不是其单个组件的属性,这种关系只能在全局代谢组水平上观察到。将微生物相互作用与代谢组复杂性联系起来的一个关键机制是交叉喂养,即代谢中间体在物种间转移,改变下游生物合成途径的通量。在开菲尔中,一项结合代谢组学、转录组学和相互作用作图的里程碑式多元组学研究证明,牛奶基质的早期定殖者释放氨基酸和乳酸,使后续群落成员能够建立并在某些情况下主导发酵。稳定的共存因此不仅仅来自生态位分化,还来自代谢物介导的促进,代表了一种系统级行为,不易在单培养研究中捕获。在韩国泡菜发酵中也观察到了类似的群落水平动态,纵向代谢组学分析表明,微生物组成的转变与氨基酸、有机酸和碳水化合物代谢的协调变化密切相关,突显了复杂发酵生态系统中微生物演替与代谢组演变之间的强耦合。在葡萄酒发酵中也明显存在类似原理。Lachancea thermotolerans、Starmerella bacillaris、Metschnikowia pulcherrima和酿酒酵母的单培养和连续发酵的uHRMS分析表明,混合发酵产生了单培养条件中不存在的代谢物,非挥发性代谢组解析了与氮代谢相关的物种水平和菌株水平差异。这种群落水平相互依存的直接后果是形成了结构或生物合成上意外的代谢物,因此很难从单个物种的已知生物化学中预测。例如,Hanseniaspora uvarum与酿酒酵母在赤霞珠葡萄酒中的共发酵的非靶向代谢组学显示,与单培养条件相比,糖酵解和TCA循环中间体减少,同时多酚和吲哚衍生物谱改变。这些模式可能反映了由资源竞争和相互作用依赖的调节驱动代谢通量变化,尽管其精确的生物化学解释仍然不完整。这突显了该方法的中心挑战:虽然非靶向代谢组学可以敏感地检测相互作用驱动的化学变化,但是将这些特征转化为结构注释和机制可解释的代谢物仍然受到有限的光谱数据库覆盖范围的限制。在复杂的发酵基质中,注释率仍然很低,这意味着代谢组中最具化学信息性的区域——相互作用依赖的部分——通常是最不为人所知的。整合多元组学策略,将代谢组学特征与基因组生物合成潜力联系起来,提供了一条解决这一差距的有希望的途径,尽管它们的常规应用仍然面临重大的分析和生物信息学挑战。
4.3. 风味和香气化合物的发展
发酵食品中的风味是代谢系统的累积感官表达,而非有限的一组香气活性化合物的总和。葡萄酒、成熟奶酪或发酵调味品等产品的感官特征反映了底物衍生的前体、微生物生成的中间体以及它们之间二次反应的叠加——一个足够广阔的化学空间,没有任何假设驱动的靶向分析可以提前全面调查。靶向风味化学的局限性因此不仅是分析覆盖范围的问题,而且是范围的问题。通过将测量限制在预定义的化合物清单中,靶向方法可能忽略了未被预期的贡献,而在发酵基质中,一些最相关的香气决定因素出现在既定的分析框架之外。非靶向代谢组学能够通过捕获协调的代谢模式而非孤立化合物,将化学复杂性与感官感知联系起来。葡萄酒风味组学研究已经表明,非靶向挥发性谱解释了葡萄酒风格之间比关键气味剂的靶向定量更大比例的感官方差,这与感知信号分布在代谢组中而非集中在少数化合物中的观点一致。非靶向代谢组学在风味研究中的一个核心分析优势在于其解析前体-产物关系的能力,这些关系在靶向挥发性分析中仍然模糊。来自传统亚洲发酵饮料的证据进一步支持了非靶向代谢组学对于风味研究的价值。在浓香型白酒中,综合代谢组学分析能够根据地理来源和生产特征区分产品,揭示了与复杂挥发性代谢物模式相关的区域风味特征,这些特征很难用常规靶向方法捕获。这些发现强化了这样的概念:风味源于协调的代谢组网络,而非来自有限数量的特征性香气化合物。挥发性香气化合物代表代谢终点,其丰度由氨基酸、脂肪酸、糖苷和肽的非挥发性库中的上游转化控制。靶向挥发性面板捕获这些终点,但没有完全解释决定其形成的前体背景。将挥发组分析与基于LC-MS的极性代谢组学整合使得能够重建这种因果链。在发酵香肠中,挥发性与非挥发性组分的联合分析揭示了17种特征性挥发物与20种差异非挥发性代谢物之间的相关性,脂质衍生化合物的差异与微生物处理相关。虽然挥发性谱证实了独特的香气特征,但整合的代谢组学方法通过识别差异降解驱动酯和醛形成的脂质底物库提供了机制见解。类似地,在发酵棕色山羊奶中,甘油三酯组成的转变降低了脂质氧化的前体可用性并减弱了异味发展。在卡门贝尔奶酪中,非靶向代谢组学同时跟踪了挥发性判别因子以及非挥发性组分中的脂解和蛋白水解动态,提供了关于基质生物化学如何在成熟过程中驱动香气演变的连贯说明。非靶向代谢组学对风味研究的另一个贡献是其揭示通常不包括在靶向面板中的香气相关化合物的能力。表征风味活性代谢组的Sensomics方法在没有预先选择化合物的情况下已经鉴定出发酵乳制品中落在常规框架之外的化合物,包括阈值以下的物质、非典型内酯和含硫代谢物,其个体浓度可能较低,但其组合贡献影响感知复杂性。这些发现完善了风味形成的机制理解,但也突显了一个关键限制:在复杂的发酵基质中,只有一小部分检测到的特征可以自信地注释,留下许多潜在相关化合物没有结构同一性或感官归属。虽然可以在未鉴定特征和感官属性之间建立相关性,但其解释仍然受到限制。弥合这一差距将需要光谱库覆盖的进步、代谢组学工作流程内感官分析的更紧密整合,以及能够将未知特征与生物合成途径和微生物功能联系起来的多元组学策略。
4.4. 工艺优化与控制
发酵中的工艺条件并非孤立地调节单个代谢物;相反,它们重塑了耦合的生物-化学系统的整体代谢状态。温度、底物组成或接种物的微小变化可以沿着化学空间中定性不同的轨迹移动发酵,即使常规过程指标(如pH、可滴定酸度或活细胞计数)在不同条件下看起来相似。这种分歧在分析上很重要,因为感官特性、质地稳定性和产品典型性等质量属性源自全局代谢组,而非来自有限的一组常规监测变量。非靶向代谢组学能够识别这些系统范围的响应,支持从基于参数的优化策略向数据驱动的优化策略转变。在4-15°C的韩国泡菜发酵中,LC-MS分析检测到大约5000种代谢物,其中超过3000种特征在10-15°C相对于4°C增加,同时在相似的pH范围内微生物群落组成和中枢碳代谢显著分化。这个例子说明了温度如何作为一个高维控制输入,同时影响群落演替和代谢通量,这些不易被靶向分析捕获。这种观点的实际价值在于使用全局代谢指纹作为中间表型——状态描述符,比常规过程变量更紧密地反映感官和质量结果。在30-45°C五个温度下发酵的酸奶中,非靶向代谢组学在成对比较中鉴定出不同的差异代谢物集,涵盖类脂分子、有机酸和有机杂环化合物,它们共同促成口感和风味。虽然酸或香气化合物的靶向面板可以确认温度影响发酵,但全局指纹提供了给定条件占据哪个代谢空间区域以及如何与感官属性相关的见解。在嗜热链球菌牛奶发酵中观察到类似的模式,37°C和42°C的代谢分析揭示了不同的挥发性指纹,尽管批量发酵指标重叠,反映了通过支链氨基酸分解代谢和糖酵解的不同路径。底物组成产生类似的影响:不同预处理温度后米曲霉或枯草芽孢杆菌对大豆残渣的发酵产生了有机酸、氨基酸和异黄酮谱的非加和变化,表明微生物代谢策略强烈依赖于底物历史。在这些系统中,过程输入和代谢输出之间的关系通常是非线性的,不能仅从单个变量的知识中完全推断,正如大规模啤酒代谢组学研究进一步证明的那样,该研究整合了化学分析、感官评估和机器学习,其中全局代谢指纹能够准确预测不同产品的风味属性和消费者喜好。这种解析过程输入系统级响应的能力支持数据驱动优化框架的开发,其中实验设计系统地探索过程空间,将条件映射到代谢组学指纹,并识别与期望产品属性相关的区域。NMR优化的沙棘汁苹果酸-乳酸发酵提供了一个例子,其中六种植物乳杆菌菌株在不同pH值和发酵时间下的分析使得能够识别条件依赖性代谢轨迹,并通知与特定功能目标一致的过程建议。然而,重要的限制仍然存在。在这类研究中检测到的许多判别特征没有结构注释,这意味着可以在不完全解析基础生化机制的情况下识别代谢组学差异。此外,指纹和感官结果之间的相关性可能在统计学上稳健,但不总是容易转化为可推广的过程控制策略,特别是当指纹对批次效应和基质变异性敏感时。批判性地使用,非靶向代谢组学将过程理解扩展到单一分析物规格之外;然而,将指纹水平的判别转化为机械基础的和可操作的控制仍然是一个持续的挑战。
4.5. 货架期和发酵后变化
发酵终止并不对应于化学停滞;相反,储存启动了一个新的代谢演化阶段,其特征是产品基质的渐进转化。残留酶活性、自发化学反应和低水平微生物代谢继续重塑代谢组,通常将系统从生物合成过程转移到降解过程。这些变化在多个途径中并行发生,包括蛋白水解、脂解和氧化,其产物相互作用以定义产品的最终感官和营养特性。非靶向代谢组学能够监测储存期间这些不断演变的代谢景观,提供超越预定义质量指标的见解。在双歧杆菌和副干酪乳杆菌共接种的发酵乳中,21天冷藏期间的LC-MS分析鉴定出21种判别代谢物,并显示嘌呤和嘧啶代谢——而非通常监测的乳酸途径——主导了发酵后生化变化。在干酪乳杆菌Zhang牛奶中的类似时间序列分析表明,15种挥发性代谢物足以区分六个离散的发酵和储存阶段,最大的转变发生在发酵终止时,随后的演变通过不同的化学状态进行。这些观察表明,储存不仅仅是发酵终点的线性下降,而是代谢转化的结构化序列。非靶向代谢组学在解析降解途径方面的能力在靶向分析仅提供部分视图的系统中变得尤为明显。在蒙古奶酪中,LC-MS分析确定了储存期间五个化学类别中的51种差异代谢物,途径分析表明β-丙氨酸代谢以及甘氨酸/丝氨酸/苏氨酸分解代谢是质量恶化的关键贡献者。这些协调的代谢转变与苦味肽、短链脂肪酸和与感官下降相关的气味活性化合物的积累有关。由于这些过程跨越多个化学类别,因此很难使用专注于有限标记组的靶向分析来捕获。在红葡萄酒中也观察到类似的复杂性。不同氧气条件下储存的葡萄酒的非靶向LC-MS指纹显示,代谢组差异不仅受乙醛积累控制,还受黄烷醇衍生中间体的差异转化控制。氧化条件有利于形成乙基连接的单宁-花青素加合物和吡喃花青素,而无氧条件促进与还原异味相关的直接连接加合物和磺化单宁。这些polyphenol转化网络不容易通过游离花青素或标准老化指数的靶向测量来访问,但它们在定义葡萄酒的氧化轨迹和感官演变中起着核心作用。尽管能够在储存期间捕获系统水平的化学演化,但货架期研究中的非靶向代谢组学仍然受到重要的解释限制。时间过程研究通常产生大量差异特征,但只有一小部分可以结构注释并链接到特定的降解途径,特别是对于来自蛋白水解、脂质氧化和polyphenol转化的复杂中间体。另一个挑战在于区分质量相关的代谢变化与独立于感官恶化的物理化学变化。乳制品系统代谢组学的综述指出,在一个产品环境中鉴定的候选稳定性标志物通常在不同基质或储存条件下显示出有限的转移性,反映了发酵后化学的强产品特异性。应对这些挑战需要将非靶向代谢组学数据与特定于每个产品类别的降解过程的机制模型整合,以及扩展光谱数据库以更好地代表驱动发酵食品储存不稳定性的反应网络。
4.6. 安全与质量标志物
发酵食品的传统安全监控在预定义的解析范围内运行,其中只能可靠地检测包含在测定设计中的化合物。靶向色谱和免疫测定面板以高灵敏度和通量定量已知危害——例如受管制的霉菌毒素、生物胺和细菌毒素——但它们在检测落在此预定义空间之外的化合物方面的能力固有地有限。这个限制是结构性的而非纯粹分析性的。发酵食品系统通过微生物代谢、底物转化和自发化学反应产生各种各样的化合物,包括修饰的毒素形式、生物合成前体和基质特异性降解产物,这些通常不常规监测。因此,与特定微生物群、底物和工艺条件组合相关的出现或情境依赖性危害可能未被检测到。非靶向代谢组学提供了一种补充策略,通过实现更广泛的化学监视并促进检测意外化合物以及安全和质量变化的早期指标。这种方法的价值在早期发现代谢信号先于受管制危害积累的情况下尤为明显。在产黄曲霉种群中,非靶向代谢组学结合分子网络鉴定出生合成前体和结构相关类似物作为早期预警生物标志物,能够预测黄曲霉毒素污染风险在毒素水平变得可量化之前35-47天,机器学习模型在田间分离株中实现了97.8%的分类准确率。专注于受管制黄曲霉毒素的靶向分析可能不会检测到这些早期阶段指标。重要的是,这些发现应被解释为筛选潜力的证据,而非监管准备就绪。发现研究中的分类准确率本身并不能确立适合发布决策、常规监视或正式风险评估。在实施之前,推定的早期预警生物标志物需要在基质、生产批次、实验室和分析平台上进行独立验证,然后转化为具有明确性能特征的靶向确认分析。类似地,在葡萄酒中,GC-MS分析显示葡萄浆中的农药残留引起了影响碳水化合物、氨基酸和短链脂肪酸衍生物的广泛代谢扰动——这些化合物类别与感官特性密切相关。这些发现表明,非靶向代谢组学不仅捕获污染物的存在,还捕获其更广泛的代谢影响。此外,无假设筛选能够检测结构相关的共污染物,包括修饰的毒素形式和新兴类似物,其毒理学意义仍在建立中。这种方法的一个关键限制在于检测和可操作解释之间的差距。非靶向分析通常产生大量判别特征,其中许多仍未注释,因此不能轻易纳入风险评估框架。这一约束在食品安全应用中尤其相关,其中未鉴定特征最终必须经过结构表征才能支持监管或质量决策。弥合这一差距需要为特征优先级和结构解析开发验证的工作流程,以及将非靶向筛选与靶向确认分析整合。扩展食品相关光谱参考库并系统地注释与发酵食品基质相关的化学空间对于使非靶向代谢组学不仅作为发现工具而且作为早期预警系统的实用组件至关重要。
  1. 5.
    讨论:局限性与建议
    数据采集不再是主要瓶颈;主要挑战在于数据解释和代谢物鉴定。当前LC-MS平台例程检测来自发酵食品基质的数万个特征,但从原始信号到生物学理解的转变仍然受到几个因素的限制,包括注释、分析重现性、统计有效性和整体解释框架。这些不是次要的技术问题,而是可能产生不支持结论的关键点。在这些约束中,注释是关键限制。很大一部分检测到的特征仍未注释,这限制了生物学解释。在发酵食品系统中,这个问题尤其明显:发酵产生化学多样、基质特异性的代谢物——包括修饰的酚类、不常见的有机酸和微生物衍生的中间体——这些在主要为临床代谢组学开发的光谱库中代表性很差。重要的是,部分问题来自数据本身。正如Sindelar和Patti所示,许多未注释的LC-MS信号不是新代谢物,而是人工产物,如加合物、源内碎片、同位素体及污染物。含义很清楚:不能结构分配的特征无法进行机制解释、独立验证或转化为过程知识。因此,应使用MSI级别报告注释置信度,清楚地区分确认的身份(级别1)、谱匹配(级别2)、推定类别(级别3)和未知物(级别4)。报告“已鉴定代谢物”而不指明置信水平可能具有误导性,特别是当这些代谢物用于支持生物学结论时。改善发酵食品系统中的注释将需要更好的光谱库和使用组合策略,包括计算机工具如SIRIUS/COSMIC、离子淌度数据以及将未知特征与已知化合物联系起来的网络方法。这些注释问题因非靶向数据集的统计结构而变得更糟。此类数据集通常是高维的,特征多于样本,创造了统计伪影容易出现的状况。监督方法,特别是PLS-DA,即使从噪声中也可以产生表面上强大的模型,如果没有正确应用验证。无信息特征会扭曲模型结构并夸大VIP分数,增加假阳性被带入解释的风险。这种风险在发酵食品研究中尤其相关,其中样本量通常有限。为了解决这个问题,降维和单变量过滤应被视为工作流程中的基本步骤,并在监督建模之前应用。同时,应在数据处理期间解决来自加合物和同位素体的冗余,因为保留这些特征会增加维度而不添加有用信息并降低模型稳定性。实验设计同样重要:生物重复、平衡组大小和空白及对照的包含决定了统计模型是否有效。除了统计问题外,重现性仍然是一个主要限制。非靶向代谢组学中的变异性不是随机的,而是来自可识别的来源,如色谱柱老化、电离差异和仪器漂移。这些效应引入了非生物变异,很难与真实的代谢差异分开,特别是在跨越多个时间点或批次的发酵研究中。mQACC联盟的一项调查显示,虽然大多数实验室使用混合QC样品和内标,但只有36%包括技术重复,并且QC程序的报告通常不完整。没有技术重复,就不可能分离生物和分析变异,这使得报告的效果大小不可靠。混合QC样品仍然是监控和校正信号漂移的最有效方法,基于QC的过滤是选择稳定特征的稳健方法。对于发酵食品基质,基质匹配的QC样品尤为重要,因为离子抑制在不同产品和发酵阶段有所不同,并且不能很好地被通用参考捕获。在更广泛的层面上,这些问题也影响实验室间的重现性。非靶向代谢组学的实验室间变异性经常被低估。研究表明,分析相同样品的实验室之间的特征重叠可能低至约25%,即使总体数据结构看起来相似。这强调了一个重要点:相似的PCA模式并不意味着检测到相同的化合物。在独立验证仍然有限的发酵食品研究中,这意味着报告的判别代谢物应被视为方法依赖的,直到被其他方法确认。提高重现性将需要更好的数据共享,包括原始数据和完整元数据(仪器设置、提取方法、色谱条件和QC结果),以及采用标准报告指南,如mQACC提出的指南。最终,这些限制在生物学解释层面汇聚在一起。即使特征被正确注释和统计验证,将代谢组学模式与发酵机制联系起来也需要将代谢物连接到产生它们的反应以及涉及的微生物或化学过程。通路分析可以提供帮助,但在发酵系统中——其中许多化合物来自微生物代谢、美拉德反应或基质特异性转化——标准通路数据库通常提供不完整的覆盖。因此,通路结果应被视为假设生成而非确定性。更可靠的方法是将代谢组学与过程水平数据整合,例如微生物组成、底物化学、pH、温度和采样时间。虽然这不能完全解决注释问题,但它有助于将代谢组学模式与可测量的生物过程联系起来,使解释更清晰且在系统间更可转移。展望未来,发酵食品代谢组学的主要挑战可能不再是分析数据的生成,而是将日益复杂的数据集转化为可重现、可解释和可操作的知识。虽然机器学习和数字孪生及多元组学整合的最新进展提供了令人兴奋的机会,但它们的成功实施将取决于克服注释置信度、模型鲁棒性和实验室间重现性方面的持续限制。在这种背景下,结合发酵过程机制知识与数据驱动模型的混合方法可能代表一个特别有前途的方向,使代谢组学能够从主要描述性工具演变为能够支持过程控制和工业决策的预测框架。
  2. 6.
    结论
    非靶向代谢组学改变了发酵食品系统的研究方式,通过捕获全局代谢指纹而非预定义化合物。在回顾的研究中,它揭示了支撑风味发育、微生物相互作用、发酵动态、发酵后稳定性以及安全相关变化的系统级化学模式。重要的是,这里讨论的几个发现——包括来自微生物共培养的代谢物、先于受管制污染物阈值的早期扰动信号以及未被靶向分析捕获的降解途径——如果没有非靶向方法很可能仍然无法访问。然而,该领域的主要限制仍然是解释性的而非分析性的。许多判别特征在结构上仍未表征,实验室间重现性有限,报告实践仍然不够标准化,使得难以跨研究比较和整合发现。因此,进展将取决于改善食品相关光谱库、更强的注释和验证工作流程、稳健的质量控制实践以及与微生物组、过程和感官数据的更紧密整合。如果这些挑战得到解决,非靶向代谢组学可以超越描述性指纹,走向机制理解、预测发酵管理和更可靠的发酵食品质量、安全和创新决策。
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

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