摘 要

   食品风味本质上是多维的，源于多种化合物复杂而综合的作用；然而，目前仍缺乏专门用于预测食品综合多风味特征的计算工具。本研究开发了DmcFlavor，作为首个用于预测和解析食品综合多风味特征的框架。DmcFlavor采用基于Transformer的建模方法，针对苦、辛、咸、酸、甜五种风味属性，实现化合物层面和混合物层面的风味预测。该框架应用于番茄成熟过程分析，揭示了成熟期间综合风味特征的动态变化，并定量识别出影响酸味和甜味的主要成分。此外，DmcFlavor还被用于刻画鱼类、水果、香草与香料、蔬菜等18类食品的综合风味模式，并探索风味与健康效应之间的潜在关联。该框架有望推动食品多风味的系统性评估，支持食品工业中的风味优化，并促进食疗领域的系统研究。

引 言

   随着生活水平的提高，消费者对食品质量的期望已逐渐从基本营养转向愉悦且独特的感官体验。因此，风味已成为评价食品品质、影响消费者偏好以及区分食品产品的重要标准（K. Xu 等，2025）。相应地，准确识别和预测与风味相关的化合物对于食品研究、功能性食品开发以及合理的产品设计具有重要意义。然而，食品风味很少由单一分子决定，而是源于多种结构、浓度和感官特性各异的化合物共同作用的结果（B. Chen 等，2025）。因此，准确评估综合性的多风味特征对于理解食品品质和感官特性至关重要。

   近年来，人工智能的发展为基于结构的风味预测提供了新范式，通过学习分子结构与感官属性之间的非线性关系实现精准预测（Wei 等，2026）。现有的模型主要针对特定味觉特征采用二分类预测方法，例如以苦味为重点的BERT4Bitter（Charoenkwan, Nantasenamat， Hasan, Manavalan, & Shoombuatong， 2021）和iBitter-Fuse（Charoenkwan, Nantasenamat， Hasan, Moni， 2021），以及以甜味为重点的ChemSweet（Qian et al., 2025）和BoostSweet（Lee et al.， 2022）。多风味模型如FART（Zimmermann et al., 2025）和VirtuousMultiTaste（Androutsos et al.， 2024）则进一步将味觉预测拓展至超越二分类的范畴。这些研究表明，深度学习能够有效捕捉结构与味觉之间的关联，并减少对感官评价的依赖。

   然而，大多数模型仍局限于单一化合物，未能直接应对真实食品系统中多种化合物共同决定综合风味特征的情况。此外，定量的成分信息及感官激活阈值在不同食品间往往难以获取或缺失，导致综合多风味建模极具挑战性。

   食药同源植物是具有明确传统药用价值的可食用植物。随着人们对饮食调节和食疗保健的兴趣日益增长，这些植物在食品成分、感官特性与生物功能之间提供了宝贵的联系（Jiang et al., 2025）。与普通食品不同，后者缺乏统一且标准化的风味标注，而食药同源植物在传统本草体系中具有详尽记录的风味属性，为研究混合物层面的风味特征提供了结构化的参考依据。

   在这些植物中，风味属性不仅是感官描述，往往还与健康功效相关；例如苦、辛、咸、酸、甘等味道可能反映其化学成分差异及潜在的生物活性。近年来，如FoodAtlas等食品知识资源已开始探索食品成分、化学生物活性与健康相关信息之间的关联（F. Li et al., 2026）。因此，将多风味预测与健康效应信息相结合，有助于更好地阐释食物来源及食药同源植物的功能特性。

主要内容

   本研究开发了DmcFlavor，一种基于化合物信息的计算框架，用于预测和解释食品与香草的综合风味特征。DmcFlavor采用基于Transformer的建模方法，在化合物和混合物两个层面进行风味预测。在化合物层面，评估了多种分子表示方式，并选用基于Transformer的模型来预测五种风味属性：苦、辛、咸、酸和甜。由此得到的化合物层面风味特征被用于混合物层面的建模。在混合物层面，每种食品或香草被表示为一组无序的组成化合物，利用Set Transformer从化合物组成中学习综合风味特征。该设计使DmcFlavor能够预测复杂食品和香草的整体风味特性，同时捕捉各单个化合物的贡献。随后，DmcFlavor被应用于番茄成熟分析、大规模食品风味谱分析以及化合物与药食同源植物的风味-健康效应关联分析。该框架为食品多风味综合评价及食疗的系统性探索提供了一种计算策略。

来源：公众号—食品组学加
原文链接：https://mp.weixin.qq.com/s/dRsspVO3LapBKSHxcqgxEg