当前位置：首页>农业>研究成果|福建省农业科学院傅建炜研究员团队利用风味组学结合机器学习解析定向增香辣椒中的关键香气化合物并预测其感官品质

研究成果|福建省农业科学院傅建炜研究员团队利用风味组学结合机器学习解析定向增香辣椒中的关键香气化合物并预测其感官品质

2026-03-30 23:29:09

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且其与感官品质的定量关系尚未明确，制约了定向增香品种的选育进程。本研究结合定量描述分析、电子鼻、顶空固相微萃取 - 气相色谱 - 质谱联用技术（HS-SPME-GC-MS），并整合化学计量学、气味活性值（OAV）及机器学习方法，系统分析了 3 个定向增香辣椒品种（MJ7、MJ8、MJ9）与 3 个传统商品辣椒的香气差异。结果表明，定向增香品种在果香、花香及甜味等感官属性上显著优于传统品种，其中 MJ7 的花香评分达 8.44 分，MJ9 的果香评分达 8.16 分。在鉴定出的 202 种挥发性成分中，定向增香辣椒以酯类和酮类为主，而传统品种富含烷烃类化合物。通过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，并基于 OAV 值鉴定出 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%。特征重要性分析显示，苯乙醛是果香的核心驱动化合物，芳樟醇是花香的关键贡献物质，为定向增香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，凭借独特的辛辣风味、丰富的营养成分及多样的烹饪用途具有极高的经济价值，长期以来其研究与育种主要聚焦于产量、抗逆性、果实形态及辛辣度等农艺性状。但随着全球消费市场升级和消费者感官偏好精细化，人们对辣椒品质的需求已从单纯追求 “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适口性和市场竞争力，因此培育具有独特香气特征的 “定向增香” 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，辣椒香气的形成机制极为复杂，不同于由辣椒素等特定物质主导的单一维度辛辣感，其香气是数百种挥发性化合物（包括酯类、醛类、醇类、萜类、吡嗪类等）通过协同、拮抗及掩蔽等复杂互作形成的多维度嗅觉感知，涉及脂肪酸代谢、氨基酸分解、类胡萝卜素裂解等多个相互关联的次级代谢网络，给定向增香品种的选育带来巨大挑战。近年来，风味组学虽为辣椒挥发性成分及关键香气化合物的表征提供了技术框架，但传统风味组学技术侧重化合物鉴定与差异分析，在处理高维、多重共线性数据时存在固有局限，难以捕捉化合物间的非线性相互作用，无法建立挥发性成分与感官品质的稳健定量预测关系。而机器学习凭借强大的非线性建模能力和自主学习算法，为解析两者复杂关系提供了先进方案，但其在辣椒香气品质预测及育种靶标筛选中的应用尚未得到充分开发，因此系统探究辣椒香气差异、筛选关键香气化合物并构建精准预测模型，对于推动定向增香辣椒育种、促进产业高质量发展具有重要的理论与实践意义。

图文赏析

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

注：图中不同字母表示品种间在 P<0.05 水平存在显著差异，误差线代表标准误（n=3）

Fig. 2：不同辣椒品种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

注：*** 表示品种间在 P<0.001 水平存在极显著差异，** 表示在 P<0.01 水平存在显著差异

Fig. 3：不同辣椒品种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）各辣椒品种挥发性成分数量分布花瓣图；（C）MJ7 与商品辣椒挥发性成分韦恩图；（D）MJ8 与商品辣椒挥发性成分韦恩图；（E）MJ9 与商品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）

注：图中编号与表 S2 中挥发性成分编号一一对应

Fig. 4：定向增香辣椒与商品辣椒挥发性成分差异表达火山图

（A）MJ7 与商品辣椒对比；（B）MJ8 与商品辣椒对比；（C）MJ9 与商品辣椒对比

注：图中编号与表 S2 中挥发性成分编号一一对应

Fig. 5：不同辣椒品种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

注：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品种中的分布特征；图中编号与表 S2、表 S3 中挥发性成分编号一一对应

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

注：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、特征交互捕获、序列优化学习）、自适应权重计算、共识决策融合等关键步骤

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

注：学习曲线中实线代表训练集性能，虚线代表验证集性能

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，系统解析了定向增香辣椒的香气形成机制。具体而言，自育辣椒品种 MJ7、MJ8、MJ9 在果香、花香、甜味等关键感官属性上显著优于 3 个传统辣椒品种，同时大幅降低了土腥味等负面风味分值。研究共鉴定出 202 种挥发性成分，其中自育品种以酯类和酮类为主，而传统辣椒品种则富含烷烃类化合物。通过 OPLS-DA 分析筛选出 β- 石竹烯、月桂酸甲酯等特征挥发性成分，定向增香品种的特征挥发性成分主要为萜类、内酯类及不饱和脂肪酸甲酯。随后从 6 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出最优性能，决定系数（R²）范围为 0.861~0.901，平均均方根误差（RMSE）为 0.156，相较于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，芳樟醇对花香属性的贡献最大，而己醛和辛醛则是青草香的决定性化合物。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。