解码安徽大马士革玫瑰精油中特征香气化合物的相互作用：利用气味活性值、分子模拟和机器学习方法

《Food Chemistry》：Decoding the interaction of characteristic aroma compounds in Anhui rose damascena essential oil: Utilizing odor activity values, molecular simulation, and machine learning

香气互作机制研究：通过GC-MS-Olfactometry结合机器学习模型，揭示安徽蔷薇精油中31种关键香气化合物及24种二进制互作的分子机制，发现苯乙醇协同效应显著，柠檬烯掩蔽效应突出，并创新性地整合OR1A1/10A6受体模型与分子动力学模拟，建立风味设计的多尺度预测体系。

　　

Xinyi Yang | Mengdong Qiao | Wenbo Bai | Meiting Zhao | Siqi Sun | Zengyang He | Zhiqiang Xu | Yunwei Niu

上海理工大学香料与香气技术学院，中国上海201418

摘要

安徽玫瑰精油（R-d EO）以其独特的香气而闻名，但其香气相互作用机制尚不清楚。通过气相色谱-质谱-嗅觉法（GC–MS-O）、气味活性值（OAVs）和计算方法，研究人员鉴定出了31种关键香气化合物以及24种二元相互作用（11种掩蔽作用、6种叠加作用和7种协同作用）。值得注意的是，苯乙醇表现出协同效应（0.13 ≤ X ≤ 0.23），而浓度较高的香叶醇则倾向于掩盖其他化合物（1.30 ≤ X ≤ 5.06）。通过创新地比较广谱调节的OR1A1受体和玫瑰特异性受体OR10A6，XGBoost模型（准确率为97%）指出与OR10A6的结合能（?5.9至?6.1 kcal/mol）以及气味强度的差异是关键因素。分子动力学模拟（100 ns）显示，这些化合物形成了稳定的三元复合物（均方根偏差（RMSD）< 7 ?），并涉及疏水相互作用、氢键和水桥。这种方法结合了感官分析和机器学习，以增强对风味设计的理解。

引言

玫瑰精油（R-d EO）因其稀有性被称为“液体黄金”——一吨花瓣仅能提取300克（Lubbe & Verpoorte, 2011; Pal, Agnihotri, Gopichand, & Deosharan Singh, 2014），它具有纯净的甜香气，并含有具有抗菌、抗炎和抗氧化特性的生物活性化合物（Yaghoobi, Moridi Farimani, Sadeghi, Asghari, & Rezadoost, 2022）。这使得它在护肤品、食品保存和心理健康应用中具有很高的价值（Charoimek et al., 2024; Rezvani-Kamran et al., 2017; Saffari, Motallebi Moghanjoghi, Sharafati Chaleshtori, Ataee, & Khaledi, 2023; Ueno et al., 2019）。R-d EO的香气来源于复杂的相互作用，包括叠加效应、协同效应和掩蔽作用。传统产区如保加利亚和伊朗的精油成分较为明确，主要包含香叶醇、香叶醇、橙花醇和芳樟醇（Antonova et al., 2021）。相比之下，中国安徽等新兴产区的精油具有不同的成分组成，其中苯乙醇、α-蒎烯和β-蒎烯的含量较高，且香叶醇与香叶醇的比例较低（He et al., 2024; Yaghoobi et al., 2022）。这些成分差异可能导致独特的相互作用模式，但这些香气相互作用背后的机制仍大部分未被探索。

理解这些相互作用至关重要，因为它们决定了最终产品的风味和稳定性。目前的方法通常使用感官评估（如阈值技术和气味活性值）结合气相色谱-质谱-嗅觉法（GC–MS-O）（N. Li, Li, Li, & Tao, 2023; Niu et al., 2019; Z. Wang et al., 2024; Xiao et al., 2019）。然而，这些方法具有主观性，缺乏机制验证。嗅觉受体（OR）与香气化合物的相互作用是感知的基础，因为OR会结合分子以启动嗅觉信号传导（Adipietro, Mainland, & Matsunami, 2012; Lee et al., 2018）。广谱调节的OR（如OR1A1）可以检测多种气味物质（Tong, Wang, Kang, & Huang, 2021），而窄谱调节的受体（如OR10A6）对关键玫瑰醇类化合物（如香叶醇、橙花醇和苯乙醇）具有高度特异性，并且在表皮中广泛分布（Duroux, Mandeau, Guiraudie-Capraz, Quesnel, & Loing, 2020; Koyama & Heinbockel, 2020）。这表明广谱和窄谱OR具有互补作用：广谱受体捕捉整体强度，而特异性受体区分特征性香气和细微相互作用。然而，大多数研究仅关注单一受体模型，忽略了多种OR类型如何共同解码复杂的香气相互作用。

分子对接提供了关于OR-配体结合的静态见解（Mohammadzadeh-Aghdash, Akbari, Esazadeh, Dolatabadi, & J., 2019; Yuan, Yu, Zhu, & Yi, 2025），但将其与感官数据整合起来具有挑战性，尤其是在处理大型数据集或预测相互作用时。像XGBoost这样的机器学习模型已被证明在准确预测分子相互作用（Chen, Liu, Jin, Lin, & Liu, 2018; Han et al., 2022）和感官质量（S. Li et al., 2025）方面有效。借助Shapley加性解释（SHAP），特征优先级变得可解释（Ji et al., 2025）。尽管潜力巨大，但很少有研究将气味活性值（OAVs）、气味强度（OI）和双受体结合能整合到机器学习（ML）模型中以预测香气相互作用。分子动力学（MD）模拟可以提供复杂稳定性的动态视图，但需要较高的计算资源（Ding et al., 2021; Zhu et al., 2025），这需要在高通量ML筛选后进行策略性应用——这种方法在区域精油研究中很少使用。

为填补这些关键知识空白，本研究提出了一个创新的多层次框架，包括四个集成阶段：(a) 使用GC–MS-O鉴定安徽R-d EO中的关键香气活性化合物，并通过重组实验和偏最小二乘回归（PLSR）确认其感官贡献；(b) 从单一受体分析转向双受体分析，使用广谱调节的受体（OR1A1）和特定的玫瑰相关受体（OR10A6）进行比较分析，以探索一般与特定的结合机制；(c) 从描述性分析过渡到预测性分析，该框架采用可解释的机器学习（XGBoost-SHAP）方法，将感官指标（OAVs, OI）与两种受体的结合能结合起来，从而实现对香气相互作用类别的精确和可解释的预测；(d) 从静态验证转向动态验证，实施闭环工作流程，通过定向MD模拟严格评估ML预测。这项研究为了解某一地区特有精油的协同香气相互作用提供了突破性的多尺度见解，为设计具有定制感官属性的优质风味产品奠定了理论基础。

材料

R-d EO来自安徽交天香生物科技有限公司（2024年7月21日），存储在室温（20°C）下的密封容器中。

化学品

所有使用的标准化合物均为分析级，购自中国上海的Tansoole公司，详细信息见表S1。初始实验中使用的内部标准物为甲基壬酸酯。纯度为98%的丙二醇也来自Tansoole公司。去离子水...

挥发性化合物的定性和定量分析

使用HS-SPME和DI提取方法结合GC–MS分析了安徽R-d EO中的挥发性化合物的香气特征。表S2详细列出了鉴定出的香气化合物的浓度。共检测到60种化合物，包括11种醇类、8种酯类、21种萜类、7种醛类、6种酮类、玫瑰氧化物、丁香酚和甲基丁香酚。HS-SPME鉴定出42种芳香化合物，而DI方法鉴定出48种，表明结合使用这两种方法可以提高检出率。

结论

本研究提出了一个创新的综合框架，超越了传统方法，揭示了R-d EO中香气化合物的复杂相互作用。通过结合感官导向的化学方法、分子模拟和可解释的机器学习，提供了多尺度和预测性的香气感知见解。利用HS-SPME/DI-GC–MS-O、OAV分析和计算方法，鉴定出了31种关键香气化合物，并分类了24种二元相互作用（11种掩蔽作用、6种叠加作用...

CRediT作者贡献声明

Xinyi Yang：撰写——原始草稿，数据整理，概念构思。Mengdong Qiao：方法论，数据整理。Wenbo Bai：可视化，方法论。Meiting Zhao：可视化，数据整理。Siqi Sun：方法论，数据整理。Zengyang He：可视化，数据整理。Zhiqiang Xu：方法论，研究调查。Yunwei Niu：撰写——审稿与编辑，监督。

伦理批准

所有感官评估程序均符合相关法律法规和机构指南。实验样品符合国家食品安全标准，对人体健康无害。感官评估已获得上海理工大学的伦理委员会批准。

利益冲突声明

作者声明没有已知的财务利益或个人关系可能影响本文所述的工作。

致谢

本研究得到了安徽交天香生物科技有限公司（J2025-418）的合作资助。