对食物风味的感知和欣赏取决于许多相互作用的化合物和外部因素，因此难以理解和预测。在这里，我们将对 250 种不同啤酒进行广泛的化学和感官分析，以训练机器学习模型，从而预测风味和消费者的欣赏程度。对于每种啤酒，我们测量了 200 多种化学特性，与训练有素的品酒小组一起进行定量描述性感官分析，并绘制了来自 180,000 多条消费者评论的数据，以训练 10 种不同的机器学习模型。性能最佳的算法 Gradient Boosting 产生的模型明显优于基于传统统计数据的预测，并根据化学特征准确预测复杂的食品特征和消费者的评价。模型剖析允许识别特定和意外的化合物作为啤酒风味和欣赏的驱动因素。添加这些化合物会导致商业酒精和无酒精啤酒的变体，从而提高消费者的欣赏度。总之，我们的研究揭示了大数据和机器学习如何揭示食品化学、风味和消费者感知之间的复杂联系，并为开发具有卓越风味的新型定制食品奠定基础。

 

其他人正在查看类似内容

 

使用多目标机器学习方法预测多种味觉

文章 开放获取 25 七月 2024

 

酿造麦芽的感官词典和香气挥发物分析

文章 开放获取 11 四月 2022

 

从分子结构预测气味：一种多标签分类方法

文章 开放获取 16 八月 2022

介绍

预测和理解食物的感知和欣赏是食品科学的主要挑战之一。食品风味和鉴赏的准确建模可以为生产商和消费者带来重要机会，包括质量控制、产品指纹识别、假冒检测、变质检测以及新产品和产品组合的开发（食品搭配）1,2,3,4,5,6.风味和消费者鉴赏的准确模型将极大地有助于我们科学地理解人类如何感知和欣赏风味。此外，准确的预测模型还将促进和标准化现有的食品评估方法，并可以补充或取代训练有素的消费者品尝小组的评估，这些评估是可变的、昂贵的和耗时的7、8、9.最后，除了提供可以帮助生产者的客观、定量、准确和上下文信息外，模型还可以指导消费者了解他们的个人偏好10.

 

尽管应用范围繁多，但根据其化学特性预测食品风味和升值在感官科学中仍然是一个难以捉摸的目标，尤其是对于复杂的食品和饮料11,12.一个主要障碍是食品风味背后存在大量的风味活性化学物质。风味化合物的化学结构和浓度差异很大，这使得它们在技术上具有挑战性且需要大量人力进行量化，即使面对代谢组学的创新，例如非靶向代谢指纹图13,14 元.此外，感官分析可能更加复杂。风味感知非常复杂，由数百个不同的分子在理化和感官水平相互作用产生。感官知觉通常是非线性的，其特征是复杂且依赖于浓度的协同和拮抗效应15,16,17,18,19,20,21 元消费者的遗传学、环境、文化和心理进一步复杂化22,23,24 元.因此，感知的味道很难测量，存在灵敏度、准确性和可重复性问题，只有通过收集足够大的数据集才能解决25.训练有素的品尝小组被认为是高质量感官数据的主要来源，但需要细致的培训，通量低，成本高。包含消费者对食品的评论的公共数据库可以提供一个有价值的选择，特别是对于研究不需要正式培训的鉴赏分数25.公共数据库的优势在于积累大量数据，增加了识别潜在升值驱动因素的统计能力。然而，公共数据集存在偏见，包括为数据库做出贡献的志愿者的偏见，以及价格、邪教地位和对产品先前评级的心理一致性等混杂因素。

 

经典的多元统计和机器学习方法已被用于预测特定化合物的味道，例如，将化合物的结构特性与其潜在的生物活性联系起来，或将特定化合物的浓度与感官特征联系起来1,26 元.重要的是，以前的大多数研究都集中在预测单一化合物的感官特性上（通常基于它们的化学结构）27,28,29,30,31,32,33，从而忽略了这些化合物存在于食品或饮料的复杂基质中的事实，并排除了化合物之间的复杂相互作用。此外，感官科学中常用的经典统计34、35、36、37、38、39 元需要较大的样本量和预测变量之间的足够方差才能创建准确的模型。它们不适合研究数百种相互作用的风味化合物，因为它们对异常值敏感，极易过拟合，不太适合非线性和不连续的关系40.

 

在这项研究中，我们将一组不同商业啤酒的广泛化学分析和感官数据与机器学习方法相结合，以开发从化合物浓度中预测味道、气味、口感和欣赏的模型。啤酒特别适合模拟化学、风味和鉴赏之间的关系。首先，啤酒是一种复杂的产品，由数千种风味化合物组成，这些化合物参与复杂的感官相互作用41、42、43 元.这种化学多样性来自原材料（麦芽、酵母、啤酒花、水和香料）和酿造过程中的生化转化（烘干、捣碎、煮沸、发酵、成熟和陈酿）44,45 元.其次，互联网的出现使啤酒消费者接受了在线评论平台，例如 RateBeer（ZX Ventures、Anheuser-Busch InBev SA/NV）和 BeerAdvocate（Next Glass， inc.）。通过这种方式，啤酒社区提供了大量的啤酒风味和鉴赏分数数据集，创建了非常大的感官数据库，以补充我们专业感官小组的分析。具体来说，我们对 250 种商业啤酒的 200 多种化学特性进行了表征，分布在 22 种啤酒风格中，并将这些特性与一个由 16 人内部培训的品酒小组的描述性感官分析数据以及从超过 180,000 条公众消费者评论中获得的数据联系起来。这些独特而广泛的数据集使我们能够训练一套机器学习模型，以从啤酒的化学特征中预测风味和升值。剖析表现最佳的模型使我们能够确定特定化合物是啤酒风味和升值的潜在驱动因素。后续实验证实了这些化合物的重要性，并最终使我们能够显著改善所选商业啤酒的风味和鉴赏力。总之，我们的研究代表了朝着理解复杂风味迈出的重要一步，并加强了机器学习在开发和改进复杂食品方面的价值。通过这种方式，它代表了进一步计算机辅助食品工程应用的垫脚石46.

 

结果

为了生成关于啤酒风味的综合数据集，我们选择了 250 种不同啤酒风格的 22 种商业比利时啤酒（补充图 D）。S1）。酒精含量 （ABV） ≤ 4.2% 的啤酒被归类为无酒精和低酒精度。Blonds 和 Tripels 构成了数据集的重要组成部分（分别为 12.4% 和 11.2%），反映了它们在比利时啤酒市场上的存在以及这些风格中啤酒的异质性。相比之下，拉格啤酒的多样性较低，并且由少数品牌主导。Brut 或 Faro 等稀有风格啤酒仅占数据集的一小部分（分别为 2% 和 1%），因为这些啤酒的产量较少，而且它们在风味和化学成分方面以不同的特征为主。

 

通过广泛的分析确定啤酒中化合物之间的关系

对于每种啤酒，我们测量了 226 种不同的化学性质，包括常见的酿造参数，如酒精含量、异α酸、pH值、糖浓度47以及 200 多种风味化合物（方法，补充表 S1）。很大一部分 （37.2%） 是啤酒花产生的萜类化合物，负责草本和水果的味道16,48 元.第二大类是酵母代谢物，如酯类和醇类，它们会产生果味和溶剂味48、49、50 元.其他测量化合物主要来自麦芽或其他微生物，例如非酵母菌酵母和细菌（“野生菌群”）。由香料或陈化产生的化合物标在“其他”下。五个属性（热值、总酸和总酯、啤酒花香气和硫化合物）是根据多种单独测量的化合物计算得出的。

 

作为确定化学性质之间关系的第一步，我们确定了化合物浓度之间的相关性（图 D）。1、上面板、补充数据 1 和 2 以及补充图 1。S2 中。为清楚起见，图 1 中仅显示了测量化合物的一个子集。1）. 同来源的化合物通常表现出正相关，而没有相关性则表明参数独立变化。例如，啤酒花香气化合物香茅醇和 α-松油醇彼此之间表现出中等相关性（Spearman 的 rho=0.39 和 0.57），但与苦味啤酒花成分 iso-α 酸没有相关性（Spearman 的 rho=0.16 和 -0.07）。这说明了酿酒商如何通过选择啤酒花品种和剂量时间来独立改变啤酒花的香气和苦味。如果在煮沸阶段早期添加啤酒花，化学转化会增加苦味，而香气会蒸发，相反，晚添加啤酒花会保留香气但限制苦味51.同样，啤酒花衍生的异 α 酸与乳酸和乙酸表现出很强的抗相关性，这可能反映了乳酸和乙酸菌的生长抑制，或者因此在酸啤酒风格（如西法兰德斯艾尔和水果啤酒）中使用了较少的啤酒花，这些啤酒花依赖于这些细菌的独特风味52.最后，酵母衍生的酯（乙酸乙酯、癸酸乙酯、己酸乙酯、辛酸乙酯）和醇类（乙醇、异戊醇、异丁醇和甘油）与 Spearman 系数高于 0.5 相关，表明这些次生代谢物与酵母遗传背景和/或发酵参数相关，可能难以单独影响，尽管酵母菌株的选择可能会提供一些控制53.

 

图 1：所选化学参数（右上图）与品酒面板使用的感官描述符（左下图）之间的相关性。

图 1

显示了 Spearman 等级相关性。描述符根据其来源（麦芽（蓝色）、啤酒花（绿色）、酵母（红色）、野生植物（黄色）、其他（黑色））和感官方面（香气、味道、味觉和整体欣赏）进行分组。请注意，为清楚起见，对于化合物，仅显示了测量化合物总数的一个子集，并强调了每个来源的关键化合物。有关更多详细信息，请参阅正文和方法部分。化学数据见补充数据 1，所有化合物之间的相关性见补充图 1。S2 和相关值可以在 Supplementary Data 2 中找到。有关感觉组评估，请参阅补充数据 4，有关所有感觉描述符之间的相关性，请参阅补充数据 5。

 

全尺寸图像

有趣的是，不同的啤酒风格对某些风味化合物表现出不同的模式（补充图 D）。S3）。这些观察结果与对主要啤酒风格的预期一致，并作为我们测量的对照。例如，世涛通常显示较高的颜色值（较深），而啤酒花啤酒含有高水平的 iso-α 酸，这些化合物与苦啤酒花味道有关。醋酸和乳酸在大多数啤酒中并不普遍，但有明显的例外，例如 Kriek、Lambic、Faro、West Flanders ales 和 Flanders Old Brown，它们使用产酸细菌（乳酸菌和片球菌）或非常规酵母（酒香酵母属)54,55 元.甘油、乙醇和酯类在所有啤酒风格中都显示出相似的分布，反映了它们作为发酵过程中酵母代谢产物的共同来源45,53 元.最后，低醇/无醇啤酒含有低浓度的甘油和酯类。这与我们数据集中大多数低醇/无醇啤酒的生产过程一致，这些啤酒是通过限制发酵或通过蒸发或透析去除酒精来生产的，这两种方法都具有意想不到的副作用，即减少最终啤酒中风味化合物的数量56,57 元.

 

除了预期的关联外，我们的数据还揭示了啤酒风格和特定参数之间不那么微不足道的关联。例如，香叶醇和香茅醇是两种负责柑橘、花香和玫瑰风味的单萜类化合物，也是 Citra 啤酒花的特征，在圣诞节、赛森和布雷特/共发酵啤酒中的含量相对较高，它们可能来自富含萜类化合物的香料，例如香菜籽，而不是啤酒花58.

 

品酒小组评估揭示了啤酒中的感官关系

为了评估每种啤酒的感官特征，训练有素的品酒小组评估了 250 种啤酒中的每一种的 50 种感官属性，包括不同的啤酒花、麦芽和酵母风味、异味和香料。小组成员使用品尝表 （补充数据 3） 对不同的属性进行评分。通过在不同的会话中重复 12 个样本并执行方差分析来评估面板一致性。在 95% 的病例中，在会话之间没有发现显着差异 （p > 0.05），表明面板一致性良好（补充表 S2）。

 

受过训练的小组报告的香气和味觉感知通常是相互关联的（图 D）。1，左下面板和补充数据 4 和 5），啤酒花香气和味道之间高度相关 （Spearman's rho=0.83）。发现苦味与啤酒花的香气和味道一般相关 （Spearman's rho=0.80 和 0.69），特别是与“草味”贵价啤酒花 （Spearman's rho=0.75） 相关。稗味，通常与酸啤酒有关，与这些啤酒中使用的陈旧啤酒花（Spearman 的 rho=0.97）一起被识别出来。乳酸和乙酸经常同时出现，它们是相关的 （Spearman 的 rho=0.66）。有趣的是，甜味和苦味是反相关的 （Spearman 的 rho = −0.48），证实了它们相互掩盖的假设59,60 元.啤酒酒体与酒精高度相关 （Spearman 的 rho = 0.79），并且发现整体欣赏与描述啤酒口感的多个方面相关（酒精、碳酸化;Spearman 的 rho = 0.32、0.39），以及啤酒花和酯的香气强度（Spearman 的 rho = 0.39 和 0.35）。

 

与化学分析类似，感官分析证实了特定啤酒风格的典型特征（补充图 1）。S4）。例如，酸啤酒（Faro、Flanders Old Brown、Fruit beer、Kriek、Lambic、West Flanders ale）被评为酸性，具有乙酸和乳酸的味道。发现啤酒花啤酒是苦的，并显示出与啤酒花相关的香气，如柑橘和热带水果。麦芽味在苏格兰威士忌、黑啤酒/波特啤酒和烈性艾尔啤酒中最为明显，而低酒精度/无酒精度啤酒则出现在中间，它们通常以“愣樟”（让人想起未发酵的甜麦芽提取物）而闻名。不出所料，啤酒花的香气在啤酒花啤酒中最强烈。就像它的化学对应物（补充图 1S3），酸度呈右偏态分布，酸度最高的啤酒是 Krieks、Lambics 和 West Flanders 艾尔啤酒。

 

品尝小组对特定风味的评估与化学成分相关

我们发现，几种化合物的浓度与特定的香气或味道密切相关，正如品尝小组所评估的那样（图 D）。2、补充图S5，补充数据 6）。在某些情况下，这些相关性证实了预期，并作为数据质量的有用控制。例如，啤酒花中的苦味化合物异α酸与苦味密切相关（Spearman 的 rho=0.68），而乙醇和甘油与品尝者对酒精和醇度的感知相关，口感的饱满感（Spearman 的 rho=0.82/0.62 和 0.72/0.57）和烘烤麦芽的较深颜色是麦芽感知的良好指标（Spearman 的 rho=0.54）。