成果介绍

1. SensoryGAN模型构建

本研究提出了一种基于混合机器学习和逆向设计模型的奶味香料感官特征预测和替代配方设计方法：SensoryGAN。该方法包括正向预测模型和逆向设计模型两部分（图1）。正向预测使用GCN对分子结构与感官特征之间的关系进行建模并预测感官特征。这些预测结果随后被用作GA的输入，GA根据这些感官数据来指导香精配方的逆向设计过程。通过这种协同工作，SensoryGAN能够生成具有特定感官特征的香精配方，以替代传统香料，如DA。

图1 SensoryGAN模型中正向预测和逆向优化过程的流程图

1. 奶味香原料数据分析

本研究通过多维度感官评估，分析了奶味香料在1%和10%浓度下的感官特征表现。首先，通过层次聚类分析（图2A）和多维尺度分析（MDS，图2B），23种气味特征被归为六大类：

1）强度类（Odor Intensity）：STRONG；

2）情感类（Emotional）：FAMILIARITY, PLEASANT；

3）食物类（Food）：FRUIT, SWEET, EDIBLE；

4）自然类（Natural）：WOOD, FLOWER, GRASS, SOUR, COLD, WARM, BAKERY；

5）刺激类（Pungent）： SPICES, GARLIC, FISH, AMMONIA, SWEATY, ACID, DECAED, MUSKY, BURNT；

6）化学类（Chemical）：CHEMICAL。

然后通过箱型图（图2C）进一步分析，不同浓度对各气味特征的感官评分影响显著，并且在不同气味类别中表现出不同的趋势。在“强度类”特征中，高浓度下的气味被感知为更强烈，而“食物类”和“情感类”特征在1%浓度时的得分显著高于10%浓度（p < 0.001），表明较低浓度下，香料的整体表现更为和谐、愉悦；但在高浓度下产生的一些香气可能会干扰其他积极感官特征的表现（图2D）。感官特征连接强度图（图2D）揭示了不同感官特征之间的协同效应。“食品类”与“情感类”特征之间表现出强正相关性，这些特征都集中于描述愉悦和食物相关的感官体验，反映了它们在感官评估中的一致性。相关性热图（图2E、2F）显示出10%浓度下“食物类”和“情感类”特征的关联性更强，而在低浓度下（1%），“刺激类”特征对整体感官体验的影响相对较小。这表明较低浓度的奶味香料能够更好地保持积极感官特征，减少刺激性气味的影响。这些分析表明，香料浓度不仅影响其整体感官表现，且在某些特征上，浓度变化会带来显著的感官体验变化。因此，未来的研究应进一步扩展感官评估的范围，涵盖更多香型原料，以提高模型的预测精度和广泛应用性。

图 2. A. 层次聚类分析图：显示23个气味特征的层次聚类结果，揭示了气味特征间的聚类结构，划分为六大类 B. 多维尺度分析 (MDS) 图：基于感官特征的多维尺度分析结果，不同颜色椭圆代表了聚类中的不同气味特征类别 C. 箱型图比较 1% 和 10% 浓度下的感官评分：展示六大气味类别的感官评分在1%和10%浓度下的分布及显著性差异（*表示显著性水平） D. 感官特征连接强度图：通过 Pearson 相关性分析展示感官特征之间的关联强度，红色和蓝色边分别表示正相关和负相关。 E. 10% 浓度下感官特征的相关性网格热图：展示在10%浓度条件下，气味特征间的相关性，颜色编码表示相关性大小及方向。 F. 1% 浓度下感官特征的相关性网格热图：展示在1%浓度条件下，气味特征间的相关性，同样使用颜色编码表示相关性大小及方向。

3. 通过机器学习和逆向工程技术进行风味配方设计

本研究通过结合遗传算法（Genetic Algorithm, GA）与机器学习模型，利用SensoryGAN框架成功生成了多种具有类似于DA感官特征的奶味香精配方。这些配方的开发以DA的平均感官评分为目标，通过GCN模型预测每个候选化合物的感官特征，并以此作为遗传算法中的适应度函数，评估其与DA的匹配程度（图3）。在优化过程中，遗传算法通过选择、变异和重新组合候选化合物，不断提升其与目标特征的匹配度，并尽可能降低潜在健康风险。最终筛选出的五种优化配方在多项感官维度上与DA的特征高度相似，且具有更高的安全性。

图3. 五种优化配方与目标感官特征的雷达图对比

4. 基于EEG的替代香精感官相似性分析

本研究通过傅里叶变换将脑电数据转换为频域信号，生成各频段的脑地形图，以分析不同浓度香精配方与DA的神经生理反应差异（图4A）。结果表明，气味浓度显著影响大脑活动模式。在低浓度条件(20%-40%)下，Theta(4-8Hz)波段在前额叶区域呈现明显激活，Alpha(8-13 Hz)波段则在后枕部活动较强，这与感官评价中低浓度获得较高愉悦度和熟悉度评分(p < 0.001)的结果一致。随着浓度增加至中等水平(60%-80%)，各波段活动趋于稳定，Alpha波段在后部区域呈现持续性活动。在高浓度(100%)条件下，Beta(13-30Hz)和Gamma(30-100Hz)波段在前额叶区域的活动显著增强，与DA诱导的脑电活动模式呈现高度相似性。

图4. A.在不同浓度香精(20%-100%)和DA条件下4种脑电波（Theta、Alpha、Beta、Gamma）的脑电活动地形图。蓝色区域表示活动较弱，红黄色区域表示活动较强 B. 不同浓度香精(20%-100%)和DA的不同频段能量差异；C.评价80%浓度的香精配方和DA在Alpha波段相似性的交叉谱密度（CSD） D.评价100%浓度的香精配方和DA在Alpha波段相似性的交叉谱密度（CSD）。

● 创新性/应用前景