《Food Chemistry: X》：Unraveling the difference in aroma characteristics of tomato flesh with different colors using HS-SPME-GC–MS/MS and
E-nose combined with multivariate data analysis
编辑推荐：
为解决番茄风味退化问题，研究人员采用HS-SPME-GC–MS/MS和E-nose技术，结合机器学习模型，对16个不同果色番茄品种的香气特征进行解析。鉴定出154种VOCs，筛选出26种特征香气成分（rOAV>1），并成功构建了基于LightGBM算法的果色判别模型，最终确定16种果色指示性VOCs，为番茄风味改良提供理论依据。
番茄作为全球广泛消费的果蔬，其风味品质直接影响消费者喜好。然而，过去几十年育种工作过度追求高产、抗病和耐储运等性状，导致番茄风味严重退化。消费者普遍反映市售番茄缺乏传统番茄的浓郁香气，这背后是挥发性有机化合物（Volatile Organic Compounds, VOCs）组成的改变。番茄风味由可溶性糖、有机酸和VOCs共同决定，其中VOCs虽然含量极微，却是构成番茄特征香气的关键。目前研究多集中于不同栽培品种或组织部位的香气差异，而对不同果色番茄的香气特征系统性研究尚不充分。
为系统解析不同果色番茄的香气差异，广西大学研究人员在《Food Chemistry: X》发表了题为"Unraveling the difference in aroma characteristics of tomato flesh with different colors using HS-SPME-GC–MS/MS and E-nose combined with multivariate data analysis"的研究论文。该研究选取16个具有褐色、黄色、绿色和红色四种果色的番茄品种（包括商业品种和地方品种），采用顶空固相微萃取-气相色谱-三重四极杆质谱联用技术（Headspace Solid-Phase Microextraction coupled with Gas Chromatography-Triple Quadrupole Mass Spectrometry, HS-SPME-GC–MS/MS）和电子鼻（Electronic Nose, E-nose）相结合的分析策略，结合多元统计分析和机器学习算法，全面表征了不同果色番茄果肉的VOCs组成特征。
关键技术方法包括：通过HS-SPME-GC–MS/MS对番茄果肉VOCs进行定性与半定量分析；利用相对气味活度值（relative Odor Activity Value, rOAV）筛选特征香气成分；采用E-nose获取整体香气指纹图谱；运用最小绝对收缩和选择算子（Least Absolute Shrinkage and Selection Operator, LASSO）、支持向量机（Support Vector Machine, SVM）、随机森林（Random Forest）和轻量级梯度提升机（Light Gradient Boosting Machine, LightGBM）等机器学习算法构建果色判别模型；通过偏最小二乘判别分析（Partial Least Squares-Discriminant Analysis, PLS-DA）、随机森林和Spearman相关性分析筛选果色指示性VOCs。
3.1. 16个番茄品种挥发性化合物的定性与半定量分析
研究人员通过HS-SPME-GC–MS/MS从16个番茄品种果肉中共鉴定出154种VOCs，分为10类，包括21种醇类、29种醛类、17种苯衍生物、8种酯类、22种烃类、10种酮类、4种含氮挥发物、6种酚类、5种其他化合物和32种未知化合物。总VOCs含量在194.56 μg·kg?1至595.27 μg·kg?1之间，其中醛类含量最高，在褐色品种B3中达448.93 μg·kg?1，占总VOCs的75.42%。不同果色品种间VOCs数量和组成存在显著差异，黄色品种检测到126种VOCs，而绿色品种仅93种。
3.2. 相对气味活度值分析
通过rOAV分析筛选出26种对番茄风味有潜在贡献的特征香气成分（rOAV>1），其中醛类占11种。Damascenone的rOAV最高（30,775.69–84,690.21），hexanal的rOAV超过2000。这些VOCs被归类为果香、青香、甜香、花香、柑橘香、土香、辛辣/木香、脂肪香和皂香9种香气特征。果香在褐色、黄色和绿色番茄中占主导，而青香在红色番茄中更为突出。红色番茄中未检测到damascenone可能是其果香较弱的原因。
3.3. 电子鼻模式与挥发性化合物的相关性
E-nose分析显示W5S、W1S、W1W、W2W和W2S传感器响应值较高，表明番茄果肉中富含氮氧化物、甲基化合物、有机硫化物、萜烯类和含氧VOCs。相关性分析发现1-hexanol, 2-ethyl-与W6S传感器呈极显著正相关，而dodecanal与W1S传感器呈显著负相关，反映了E-nose传感器对特定类别VOCs的选择性响应。
3.4. 利用电子鼻数据和机器学习对番茄果色进行分类和预测
应用多种机器学习算法对E-nose数据进行果色分类，LightGBM模型表现最佳（准确度=1.00，AUC=1.00），SVM和随机森林次之。即使经过配对比率数据转换，模型仍保持较高分类性能（LightGBM准确度=0.95，AUC=1.00），表明E-nose数据能有效区分番茄果色。
3.5. 利用GC–MS/MS数据和机器学习对番茄果色进行分类和预测
基于GC–MS/MS数据的机器学习模型同样表现出色，LightGBM在原始数据集上达到完美分类（准确度=1.00，AUC=1.00）。配对比率数据集上模型性能略有下降但仍保持高精度（LightGBM准确度=0.98，AUC=1.00），证实VOCs特征具有区分果色的潜力。
3.6. 通过多元分析鉴定果色指示性候选物
通过PLS-DA、随机森林和Spearman相关性分析筛选出18种潜在果色指示性VOCs。主成分分析（Principal Component Analysis, PCA）显示，使用这18种标志物能显著改善不同果色品种的分离效果（PC1+PC2解释方差达61.4%），而使用全部VOCs时分离效果较差（解释方差仅25.8%）。
3.7. 不同颜色番茄品种中潜在果色指示性化合物分析
最终确定16种果色指示性标志物，其中5-hepten-2-ol, 6-methyl-在褐色番茄中含量显著高于其他颜色；nerol oxide仅存在于褐色番茄；2,3-octanedione为黄色番茄特有。这些化合物来源于类胡萝卜素降解、脂肪酸氧化和单萜生物合成等多种途径，其分布模式与番茄果色密切相关。
研究结论表明，不同果色番茄的香气特征存在显著差异，醛类是主要的VOCs类别。26种关键香气成分（rOAV>1）共同贡献了番茄的果香、青香、花香和土香等特征。E-nose和GC–MS/MS数据结合LightGBM算法能有效区分番茄果色。16种果色指示性VOCs的鉴定为番茄风味育种提供了重要靶标。
讨论部分指出，本研究发现的VOCs总量低于前人报道，可能与品种差异、栽培条件、样品制备方法（去除种子和胶质）以及使用单一内标物等因素有关。E-nose与GC–MS/MS结果的不一致性可能源于样品前处理方法和检测原理的差异。机器学习模型中，LightGBM表现出最优分类性能，但需外部数据集进一步验证。类胡萝卜素降解产物在深色番茄中含量较高，与其色素积累相一致。
该研究的创新之处在于首次系统整合HS-SPME-GC–MS/MS、E-nose和机器学习技术，全面解析了不同果色番茄的香气特征，并筛选出果色指示性VOCs。研究成果为番茄风味品质改良提供了理论依据和技术支持，对促进番茄产业高质量发展具有重要意义。未来研究应结合感官评价验证关键香气成分的感官贡献，并在多地点、多季节条件下验证模型的普适性。
