《Foods》:Integrating Machine Learning and Expert Sensory Evaluation to Identify Key Drivers of Tomato Fruit Quality: A Multi-Model and Age-Stratified Analysis
个体生化指标难以全面评估番茄风味品质,因此需要构建核心可溶性滋味物质矩阵的多参数模型。研究人员假设,对训练有素的感官评价员进行年龄分层,将揭示风味品质预测中差异性的生化变量重要性谱。据此,本研究旨在:(1)构建并比较将八种生化指标与感官评分关联的多种回归模型;(2)通过特征选择识别关键品质驱动因素;(3)检验年龄分层是否改变已识别的感官驱动因素。62个番茄品种的八种基线滋味指标由30名年龄分层(<40岁和≥40岁)的训练有素感官评价员进行评估,采用交叉验证以确保模型在小样本约束下的稳健性。研究应用了偏最小二乘回归(partial least squares regression, PLSR)、支持向量回归(support vector regression, SVR)、随机森林(random forest, RF)和Boruta算法。随机森林-(random forest, RF–)Boruta框架表现最优(R2 = 0.82)。在全体评价员模型中,关键变量为果糖、总游离氨基酸和维生素C。年龄分层后,40岁以下组保留了这些变量,而≥40岁组则以可溶性固形物替代了维生素C。果糖和总游离氨基酸始终为稳健驱动因素,而总酸度始终重要性最低。在年龄分层背景下部署RF–Boruta框架,为从生化数据研究风味感知提供了结构化分析框架。这些发现表明,果糖和总游离氨基酸可作为风味品质预测的高度稳健候选指标,而年龄分层差异提示将人口统计学特异性指标整合到精准育种框架中具有实用价值。
**研究背景与问题提出**
番茄(Solanum lycopersicum L.)是全球栽培最为广泛、经济价值最高的蔬菜作物之一。作为重要的膳食营养来源,番茄富含维生素、类胡萝卜素及多种抗氧化化合物。其感官品质,尤其是风味,直接决定消费者的购买意愿和市场竞争力。然而,近几十年来,现代商业化育种计划优先追求产量、果实硬度和采后贮藏性,导致番茄风味品质显著退化,消费者普遍反映番茄缺乏应有的"番茄味",这已成为制约产业升级的关键瓶颈,无法满足日益增长的高品质农产品需求。因此,在保持产量和抗逆性的同时系统提升番茄风味品质,已成为植物育种和食品科学领域的关键研究 priority。
当前研究已转向综合代谢组学和挥发性有机化合物(volatile organic compounds, VOCs) profiling 来捕捉定义风味感知的多维网络。与此同时,随着食品领域日益采纳复杂预测架构,可解释人工智能(explainable artificial intelligence, XAI) 框架的部署变得至关重要。番茄风味品质的形成是一个涉及多种代谢物协同作用的复杂生理生化过程,包括可溶性糖、有机酸、氨基酸和挥发性香气化合物。最优风味感知依赖于甜味、酸味和鲜味平衡的多维感官体验。虽然挥发性有机化合物对番茄风味的嗅觉组分至关重要,但非挥发性可溶性基质,包括果糖、葡萄糖、有机酸、维生素C和游离氨基酸等核心低分子量代谢物,构成了香气组分与之交互的基线味觉感知(甜味、酸味和鲜味)基础。
然而,在当前育种和生产实践中,番茄品质评估仍严重依赖单一指标,最常用的是可溶性固形物含量(°Brix),至多采用糖酸比作为简化代理。尽管操作便利,这种方法显然无法捕捉风味的完整复杂性。感官评价小组被广泛视为风味评价的"金标准",能够系统整合多维感官维度并提供与真实消费者感知最为接近的评估。但该方法也存在明显局限:主观性强、组织成本高、时间密集,且易受评价员组成影响。尤为相关的是,一生中存在显著的年龄相关味觉敏感性差异,约40岁是明确的生理拐点。在此发育阈值,菌状和轮廓乳头内味觉 receptor 细胞的稳态再生率开始进行性下降,导致甜味和酸味等主要 modality 的绝对 detection 阈值升高和超阈值强度感知改变。
**研究开展与核心发现**
针对上述问题,研究人员以62份番茄种质资源为材料,系统比较了偏最小二乘回归(PLSR)、支持向量回归(SVR)和随机森林(RF)三种模型基于生化指标预测感官评分的性能,并将年龄分层引入番茄品质建模,集成Boruta算法识别关键品质驱动因素。研究采用留一法交叉验证(leave-one-out cross-validation, LOOCV)和重复5次5折交叉验证相结合的方案,以严格惩罚过拟合并确保泛化能力。
模型性能评估结果显示,随机森林(random forest, RF)在所有评价指标上均表现最优,R
2达到0.82,RMSE为0.29,MAE为0.23(交叉验证R
2 = 0.81 ± 0.05),表明该模型能有效捕捉生化指标与感官评分之间的复杂关系。PLSR表现中等(R
2 = 0.71),SVR相对较差(R
2 = 0.58)。Dicbold–Mariano检验证实RF模型显著优于线性PLSR和基于核的SVR模型。
在年龄分层模型中,RF在两个年龄组中始终保持最佳预测性能。对于<40岁组,RF模型R
2为0.79,RMSE为0.32,MAE为0.25;对于≥40岁组,RF模型R
2达0.85,RMSE为0.26,MAE为0.20。值得注意的是,≥40岁组的R
2显著高于<40岁组,相应的RMSE和MAE也更低,表明生化指标对≥40岁组感官评分的预测更为准确。
**关键技术方法**
本研究采用的主要关键技术方法包括:(1)基于62份番茄种质资源(包括栽培品种、地方品种和部分野生近缘种)的标准化种植与样本采集,所有材料于2023年春季在浙江省农业科学院实验站统一条件下栽培,采用随机完全区组设计;样本为第二、三穗果,按GH/T 1193-2021标准在转色完全期采收;(2)建立30人年龄分层训练型感官评价小组(<40岁组14人,≥40岁组16人),依据GB/T 29605-2013标准进行标准化培训,采用1–5分制评分量表,通过Kendall和谐系数评估评价员间一致性;(3)定量测定8项基线滋味相关生化指标,包括可溶性固形物含量(SSC)、可溶性糖(SS)、果糖、葡萄糖、总酸度(TA)、维生素C(VC)、总游离氨基酸(AAs)和谷氨酸(GLU),所有化学指标值在模型训练前进行z-score标准化;(4)主成分分析(PCA)用于探索性分析62份种质在8项生化指标上的整体分布结构;(5)三种回归模型的构建与比较:PLSR、SVR(采用线性核和径向基函数RBF核)和RF,采用LOOCV和重复5次5折CV进行模型评估,使用网格搜索进行超参数优化,以R
2、RMSE和MAE评价模型性能,并以OOB误差作为无偏泛化性能估计;(6)年龄分层建模:分别使用<40岁组和≥40岁组平均感官评分作为目标变量,独立构建PLSR、SVR和RF模型;(7)采用Boruta算法进行特征选择,以RF为基学习器,迭代次数设为1000,显著性阈值p < 0.05,识别各年龄组的"Confirmed"变量,并比较两组间差异。
**研究结果详述**
**3.1 样本特征**:62份番茄种质资源的8项生化指标和感官评分描述性统计表明,所有测定指标均呈现广泛的变异范围,证明所选种质集合具有相当的遗传多样性,适合构建跨品种品质预测模型。感官评分(全体评价员均值)范围为2.10–4.23,从"较差风味"到"优秀风味"均有覆盖。
**3.2 感官评分分布与评价小组可靠性**:年龄分层后,<40岁组和≥40岁组的平均评分分布差异显著(<40岁组:3.87 ± 0.15;≥40岁组:2.28 ± 0.21;Welch's t-test t = 47.46,p < 0.01)。<40岁组内Kendall W = 0.72(p < 0.01, 95% CI: [0.65, 0.78]),≥40岁组内W = 0.69(p < 0.01, 95% CI: [0.61, 0.75]),表明两组均实现高内部一致性。全体评价员W = 0.56(p < 0.01),虽低于组内值,但仍处于可接受范围。
**3.3 生化指标主成分分析**:前两个主成分PC1和PC2分别解释55.0%和16.8%的总方差,累计贡献71.8%。果糖、葡萄糖和可溶性糖在PC1正端紧密聚类,总酸度独立分布于PC2负端,总游离氨基酸和谷氨酸在PC1负端形成小聚类。高评分样品(≥4.5)主要分布于果糖、葡萄糖和可溶性糖水平较高的区域,低评分样品(≤1.5)则趋向总酸度较高或糖指标较低的区域。
**3.4 整体模型性能**:RF在所有评价指标上均表现最优(R
2 = 0.82, RMSE = 0.29, MAE = 0.23),PLSR中等(R
2 = 0.71),SVR最差(R
2 = 0.58)。RF的OOB误差为0.31,与交叉验证RMSE接近,表明合理的泛化性能。DM检验证实RF显著优于PLSR和SVR。RF残余未解释方差(1 ? R
2 = 0.18)可能源于当前指标矩阵未纳入VOC profiling。
**3.5 年龄分层模型性能**:RF在两个年龄组中始终最优。<40岁组RF模型R
2 = 0.79,≥40岁组R
2 = 0.85。方差分析证实≥40岁组预测误差显著低于<40岁组(F = 5.04, p < 0.05),RF在两个年龄段均显著优于PLSR和SVR(F = 7.29, p < 0.05)。
**3.6 基于Boruta的变量重要性与特征相关性**:全体评价员模型中,Boruta确认果糖、总游离氨基酸和维生素C为重要变量(均"Confirmed",p < 0.05);葡萄糖、可溶性糖、可溶性固形物、谷氨酸和总酸度被归为"Rejected"。年龄分层后差异明显:<40岁组确认变量为果糖、维生素C和总游离氨基酸(果糖0.0438 > 维生素C 0.0316 > 总游离氨基酸0.0298);≥40岁组确认为果糖、总游离氨基酸和可溶性固形物(果糖0.0358 > 总游离氨基酸0.0314 > 可溶性固形物0.0272),维生素C和可溶性糖降为"Tentative"。糖(果糖、葡萄糖、SSC)和氨基酸与感官评分呈最强正相关(两年龄组r = 0.52–0.85, p < 0.001),而SS和TA呈弱且大多不显著相关。
**3.7 关键驱动因素与感官评分的关系**:果糖与感官评分在低至中高分区间呈现区间依赖性正相关(r = +0.362, p < 0.01);可溶性固形物与感官评分显著正相关(r = +0.352, p < 0.01);总游离氨基酸与感官评分呈弱正相关(r = +0.258, p < 0.05),且存在阈值效应(>3.0 μmol/g时高评分集中);维生素C与感官评分呈弱负相关(r = ?0.199, p > 0.05),且>0.08 mg/g时呈双峰分布。
**讨论部分总结**
RF的优越性能源于其能捕获生化指标与感官评分之间的非线性及交互映射关系。从生物学角度,这种建模优势与番茄风味品质形成固有的生物学复杂性一致而非单纯的计算方法比较。果糖和总游离氨基酸在所有三组模型中均被确认为重要变量,且重要性评分跨年龄组高度稳定(果糖:全体0.0412、<40岁0.0438、≥40岁0.0358;总游离氨基酸:全体0.0331、<40岁0.0298、≥40岁0.0314),这种跨年龄一致性在八项生化指标中仅见于这两项,表明其构成驱动番茄风味品质的稳健核心因素。
年龄分层分析揭示了维生素C和可溶性固形物的差异化贡献模式:<40岁组中维生素C被确认为第三重要变量(0.0316),≥40岁组则可溶性固形物独立确认为第三重要变量(0.0272),维生素C降为暂定状态。这一反转具有重要生物学意义:可溶性固形物作为糖、酸和其他可溶性物质的综合反映(糖约占50%–70%),为老年评价员的风味感知提供更稳定的解释力;而年轻评价员可能对抗氧化化合物的感知更为敏感。
谷氨酸作为单一鲜味氨基酸被排除,而总游离氨基酸被确认,反映了生物效用与算法选择之间的明确区分。在基于树的集成模型中,当密切相关的聚合性状同时评估时,单个亚组分常被降权。总酸度在所有模型中始终排名最末,表明酸平衡并非独立主导因素,而可能通过与甜味物质的协同耦合共同调制番茄风味品质。
年龄不仅感官评分的绝对值,还调制生化指标与感官评分的映射关系。≥40岁组模型预测精度更高,可能反映该年龄段感官响应更受限于核心化学输入;<40岁组残余方差可能关联挥发性香气化合物或更分散的味觉偏好。
**研究结论翻译**
基于此前报道的个别风味关联化合物,本研究的主要贡献在于展示了一个可复现的分析框架,该框架整合非线性机器学习与年龄分层感官评价,从高共线性生化数据集中提取可解释的预测因子重要性排序。研究结论指出,果糖和总游离氨基酸在所有模型和年龄分层中始终成为核心预测因子,强调其作为风味导向育种计划稳定、高价值靶点的地位。与此同时,生化指标重要性的年龄依赖性分歧为将年龄分层整合到感官建模工作流程中提供了实证支持。至关重要的是,研究发现评价员年龄在一个训练有素的描述性分析框架内发挥味觉感知的结构性决定因素作用,揭示由于年龄相关味觉转变,老年队列显示出更 uniform 且可预测、与主要化学输入紧密耦合的感官响应。最终,这些见解架起了果实作物代谢组学与感官知情报种策略之间的桥梁,为市场细分的精准育种计划提供了经验基础。未来工作应优先整合挥发性化合物、采用独立测试集进行多环境验证,并扩展至直接消费者接受度研究,以评估通过训练有素评价小组评估获得的预测因子重要性模式是否转化为真实世界的购买和消费行为。