摘要食品风味的感知与喜好受多种化合物互作及外部因素调控难以解析和预测。本研究对250款啤酒开展全面化学检测与感官分析训练机器学习模型以预测风味特征与消费者喜好。针对每款啤酒检测200余项化学指标由专业品鉴组完成定量描述性感官分析并整合18万余条消费者评价训练10种机器学习模型。表现最优的梯度提升算法模型显著优于传统统计预测方法可通过化学图谱精准预测啤酒复杂风味与消费者喜好。模型解析筛选出调控啤酒风味与喜好的特异性、非预期化合物外源添加这些化合物可显著提升市售含酒精/无酒精啤酒的消费者接受度。本研究揭示了大数据与机器学习可挖掘食品化学、风味与消费者感知间的复杂关联为开发风味更优的定制化食品提供理论基础。kevin.verstrepenkuleuven.be#机器学习 #啤酒风味 #感官预测 #消费者喜好 #化学组学 #风味改良结果化学参数间的关联分析图1选定化学参数右上与品鉴组感官描述词左下的相关性展示斯皮尔曼秩相关系数描述词按化合物来源麦芽蓝色酒花绿色酵母红色野生菌群黄色其他黑色与感官维度香气、滋味、口感、整体喜好分组为清晰展示仅呈现关键化合物的相关性。特定风味的品鉴评价与化学成分相关图2化学数据与专业品鉴组感官数据的成对斯皮尔曼秩相关热图颜色代表斯皮尔曼相关系数坐标轴按感官类别香气、滋味、口感、整体、化学类别与化合物来源分组。消费者评价补充专业品鉴数据图3在线消费者评价与专业品鉴组评分的相关性展示斯皮尔曼相关系数*代表显著相关p0.05双侧检验除酯香、酯味、香蕉酯香、香菜、双乙酰外其余p值均0.001。基于化学数据预测啤酒感官图谱表1各模型预测专业品鉴组描述词与RateBeer评价的性能性能指标为测试集预测决定系数R²基于多输出模型计算平均排名为各描述词单属性模型排名的均值数值越低代表模型越优各指标最高值加粗显示部分模型R²为负值表明均值预测效果优于模型。模型解析锁定影响消费者喜好的关键化合物图4影响消费者喜好的核心化学参数A 基于梯度提升回归GBR模型的不纯度特征重要性MDI展示排名前15的化学参数B GBR模型前15大贡献参数的SHAP汇总图每个点代表1个样本颜色代表参数浓度蓝色低浓度红色高浓度横轴绝对值越大对预测影响越大C 前15大关键化学参数与消费者整体喜好的斯皮尔曼相关性数值为相关系数与排名。模型验证风味改良实验图5基于核心预测化合物外源添加的模型验证A 将金色艾尔、无醇/低醇啤酒的核心化合物添加至风格内95%分位乙醇归一化浓度列出对照组与添加组的化合物浓度B 感官测试结果品鉴者判定风味强度更高的样本并选择偏好样本柱上数值为双侧2项检验p值α0.05证实添加组风味与喜好度显著提升。数据和代码Zenodo平台登录号10653704详细总结思维导图10种模型预测性能对比决定系数R²参考Nat Commun. 2024 Mar 26;15(1):2368. doi: 10.1038/s41467-024-46346-0.Predicting and improving complex beer flavor through machine learning240326beer.pdf注AI辅助创作如有错误欢迎指出。内容仅供参考不构成任何建议。