论文摘要
提升辣椒香气品质是产业转型与高价值发展的关键。然而，辣椒挥发性成分复杂，其与感官品质的定量关系尚未明确，限制了香型辣椒的定向育种。本研究采用定量描述分析、电子鼻、顶空固相微萃取 - 气相色谱 - 质谱联用（HS-SPME-GC-MS）技术，结合化学计量学、气味活性值（OAV）及机器学习，系统分析了 3 个香型辣椒品种（MJ7、MJ8、MJ9）与 3 个商业辣椒品种的香气差异。香型辣椒在果香、花香和甜味属性上显著优于传统品种，其中 MJ7 的花香得分达 8.44，MJ9 的果香得分达 8.16。在鉴定出的 202 种挥发性成分中，香型辣椒以酯类和酮类为主，而传统品种富含烷烃。正交偏最小二乘判别分析（OPLS-DA）筛选出 β- 石竹烯、2 - 甲基咔唑等特征化合物，结合 OAV 定量鉴定出 30 种关键香气化合物。构建的自适应加权共识回归（AWCR）模型建立了关键化合物与感官属性的定量关系，预测精度较单一机器学习方法提升 33.3%。特征重要性分析表明，苯乙醛是果香的核心贡献化合物，芳樟醇是花香的关键化合物，为香型辣椒的分子育种提供了精准靶标。研究背景
辣椒作为全球广泛种植的重要香料作物，兼具独特辛辣风味、丰富营养及多样烹饪用途，经济价值显著。长期以来，辣椒研究多聚焦于产量、抗逆性、果实形态和辛辣度等农艺性状，这些性状主导了辣椒育种的选择方向和品质评价标准。但随着全球消费市场转型升级及人们感官偏好的精细化，消费者对辣椒品质的期待已从 “辛辣刺激” 转向更丰富、均衡且愉悦的综合风味，其中香气作为辣椒风味的核心要素，不仅通过鼻腔嗅觉直接影响消费者感知，还能通过三叉神经与味觉的相互作用显著提升辣椒的整体愉悦感和市场竞争力，因此培育具有独特香气特征的 “香型” 辣椒新品种已成为引领辣椒产业向高品质、高附加值转型的重要方向。然而，辣椒香气不同于由辣椒素等特定物质主导的单一维度辛辣感，而是由酯类、醛类、醇类、萜类、吡嗪类等数百种挥发性化合物通过复杂的协同、拮抗和掩蔽作用形成的多维度嗅觉感知，涉及脂肪酸代谢、氨基酸分解代谢、类胡萝卜素裂解等多个相互关联的次生代谢网络，这种复杂的香气构成给香型辣椒的定向改良带来了巨大挑战。近年来，风味组学作为整合分析化学与感官科学的系统学科，通过 HS-SPME-GC-MS 结合化学计量学和 OAV 方法，为表征辣椒中独特挥发性成分和关键香气化合物提供了有价值的技术框架，但现有风味组学技术多侧重化合物鉴定和差异分析，在处理高维、多重共线性数据时存在固有局限，难以捕捉多种挥发性成分间的复杂非线性相互作用，也无法建立挥发性图谱与感官评价之间稳健的定量预测框架。机器学习作为先进的数据挖掘与模式识别范式，凭借其强大的非线性建模能力和自主学习算法，为解析挥发性成分与感官品质的关系提供了高效解决方案，能够自主识别并建模数百种挥发性化合物间的复杂相互作用，精准定位对特定感官属性贡献显著的关键成分，为辣椒改良中的标记辅助选择和基因组选择提供精准靶标，但该技术在辣椒香气品质预测和育种靶标筛选中的研究应用仍较为匮乏。图文赏析
图 1（Fig. 1）：不同辣椒品种品质特性综合分析
A：L*、a*、b * 色度值对比；B：辣椒素含量；C：二氢辣椒素含量；D：降二氢辣椒素含量；E：总辣椒素类物质含量（图中不同字母表示品种间存在显著差异，P<0.05，误差线代表标准误差，n=3）
图 2（Fig. 2）：不同辣椒香气感官品质及电子鼻特征分析
A：感官评价雷达图；B：电子鼻雷达图；C：基于电子鼻数据的主成分分析（*** 表示品种间存在极显著差异，P<0.001；** 表示显著差异，P<0.01）
图 3（Fig. 3）：不同辣椒挥发性成分组成特征及差异分析
A：挥发性成分类别相对含量堆叠图；B：各辣椒挥发性成分数量分布花瓣图；C：MJ7 与商业辣椒挥发性成分韦恩图；D：MJ8 与商业辣椒挥发性成分韦恩图；E：MJ9 与商业辣椒挥发性成分韦恩图；F：正交偏最小二乘判别分析（OPLS-DA）得分图；G：模型置换检验；H：特征挥发性成分柱状图（前 10 种，图中数字与表 S2 中挥发性成分编号一一对应）
图 4（Fig. 4）：香型辣椒与商业辣椒挥发性成分差异表达火山图
A：MJ7 与商业辣椒对比；B：MJ8 与商业辣椒对比；C：MJ9 与商业辣椒对比（图中数字与表 S2 中挥发性成分编号一一对应）
图 5（Fig. 5）：不同辣椒关键香气化合物分布特征及风味轮构建
A：关键香气化合物桑基图及韦恩图；B：关键香气化合物环形热图；C：辣椒风味轮（风味轮从内至外依次展示香气描述词、具体关键香气化合物及其在不同辣椒中的分布特征，图中数字与表 S2、S3 中挥发性成分编号一一对应）
图 6（Fig. 6）：基于自适应加权共识回归（AWCR）集成学习的辣椒感官品质预测模型构建流程图（AWCR 流程包含数据预处理（标准化、异常值检测）、特征工程（非线性映射、特征交互捕捉、序列优化学习）、自适应权重计算、共识决策融合等关键步骤）
图 7（Fig. 7）：机器学习模型性能评价及学习曲线分析
A：决定系数（R2）对比热图；B：均方根误差（RMSE）对比柱状图；C：不同机器学习模型在各感官属性上的学习曲线（学习曲线中实线代表训练集性能，虚线代表验证集性能）
图 8（Fig. 8）：AWCR 模型预测性能验证及特征重要性分析
A：各感官属性预测值与实际值散点图；B：关键香气化合物特征重要性热图
研究结论
本研究通过风味组学结合机器学习技术，系统分析了香型辣椒的香气形成机制。具体而言，自主培育的辣椒品种 MJ7、MJ8、MJ9 在果香、花香、甜味等关键感官属性上显著优于三个传统辣椒品种，同时显著降低了土腥味等异味得分。研究共鉴定出 202 种挥发性成分，自主培育品种以酯类和酮类为主，而传统辣椒则富含烷烃。通过正交偏最小二乘判别分析（OPLS-DA）筛选出 β- 石竹烯、月桂酸甲酯等特征挥发性成分，香型品种的特征挥发性成分主要为萜类、内酯类和不饱和脂肪酸甲酯。随后从六个辣椒品种中鉴定出 30 种关键香气化合物，构建了辣椒香气形成的重要分子框架。基于此，本研究构建了自适应加权共识回归（AWCR）机器学习模型，该模型在所有感官属性上均表现最优，决定系数（R2）介于 0.861~0.901 之间，平均均方根误差（RMSE）为 0.156，较最优单一模型性能提升 33.3%，实现了关键香气化合物与感官品质的高精度预测。通过 AWCR 模型特征重要性分析，明确苯乙醛是果香属性的核心驱动化合物，芳樟醇对花香属性贡献最大，而己醛和辛醛是青草味的决定性化合物。本研究通过明确的分子靶标和定量预测模型，有望提升育种效率，为推动辣椒产业向高品质、高附加值方向转型提供重要理论基础和技术支撑。
通讯作者 
傅建炜：福建省农业科学院农产品质量标准与检测技术研究所研究员，博士生导师。主要研究方向为农产品质量安全风险评估、农产品生物毒素污染与农药多残留检测。
资助基金 
本研究得到以下项目资助：
福建省农业科学院科技创新团队建设项目（项目编号：CXTD2021011-1）；
“5511” 协同创新项目（项目编号：XTCXGC2021020）；
福建省科技计划项目公益类科研院所专项（项目编号：2024R1021001）；
福建省科技计划项目引导性项目（项目编号：2020N0047）。
原文链接 
https://doi.org/10.1016/j.crfs.2025.101274
标注 “原创” 仅表明为原创编译，本平台不主张对原文享有版权。
本平台转载内容仅出于学术交流与信息传播之目的，并不代表本平台观点，亦不意味着证实内容的真实性。
转载文章的版权归原作者所有，若原作者不希望作品被转载或存在侵权行为，请联系本平台删除。
由于编译水平有限，推文或简历中若有不妥之处，我们深表歉意，请联系本平台进行修改或删除。
10个月宝宝每天需要喝多少奶粉？
