《Food Chemistry: X》：Artificial intelligence in functional food innovation: Bioactive enhancement and formulation optimization: A quasi-systematic review
编辑推荐：
本综述系统分析2015-2025年间53篇研究，揭示人工智能（AI）在功能性食品研发中的前沿应用。文章重点探讨了AI在生物活性化合物（BACs）发现、代谢组学分析及配方优化（如多目标优化MOO、遗传算法GA）等方面的驱动作用，同时指出当前模型多局限于计算机（in silico）预测，缺乏实验验证，且消费者建模中伦理与监管维度整合不足。综述强调，未来需加强食品科学与数据科学的跨学科合作，以推动计算洞察向实际应用的转化。
人工智能在功能性食品创新中的驱动作用
近年来，功能性食品因其能够提供生理益处并有助于预防非传染性疾病而成为食品科学的焦点。人工智能（AI）技术已日益融入该领域研究，为化合物发现、配方优化及消费者行为预测提供了强大的分析工具。
生物活性化合物分析中的AI应用
在生物活性化合物的发现与表征方面，机器学习（ML）和深度学习（DL）方法发挥着核心作用。数据驱动的AI（经典机器学习）和深度学习方法已被应用于预测抗氧化活性（如DPPH、ABTS、FRAP测定）、识别生物活性化合物并揭示代谢组学数据中的模式。监督算法（如随机森林RF、支持向量机SVM）依赖于标记数据来预测明确的结果，如生物活性评分或感官评级。相比之下，无监督模型则擅长在未标记的数据集中识别潜在结构，非常适用于探索性任务，如代谢组学聚类和成分分析。
值得注意的是，研究越来越多地整合光谱和代谢组学数据，而不仅仅依赖于分子描述符。涉及可可豆和枸杞等高光谱成像以及用于预测猪肉腐败的非靶向代谢组学的应用，说明了方法学上向能够捕捉复杂食品基质的数据丰富型输入的转变。深度学习模型，特别是卷积神经网络（CNN）和循环神经网络（RNN），因其能够从高维度和非线性关系的数据（如光谱、成像和组学数据）中自动提取特征，在生物活性预测和配方优化等应用中往往优于传统方法。
功能性食品的优化与配方
人工智能的集成，特别是多目标优化（MOO）、遗传算法（GA）、模糊逻辑（FL）和启发式搜索方法，为解决功能性食品配方中复杂的多变量设计问题提供了结构化方法。这些技术旨在平衡营养价值、感官质量、成本和安全性等多重目标。
例如，多目标遗传算法（MOGA）已被用于优化混合谷物饮料预混料的成分比例，以实现能量价值和成本的最佳平衡，并通过模糊分析进行验证。模糊逻辑系统则有效处理涉及不精确或感官依赖变量的优化问题，如通过模糊推理优化大豆蛋白基食品泡沫的发泡能力和稳定性。粒子群优化（PSO）等启发式算法与人工神经网络（ANN）结合，也被用于优化超声波辅助提取手指粟中的生物活性化合物，显著降低了抗营养素水平。
增强稳定性和生物利用度的AI策略
生物活性化合物在加工和胃肠道应激下的不稳定性会严重影响其生物利用度和功能性。人工智能技术通过优化递送系统、模拟生理条件和预测分子相互作用来应对这些挑战。人工神经网络（ANN）已被用于优化敏感化合物（如多酚）的微胶囊化参数。混合模型（如神经网络与遗传算法结合）则用于优化乳液配方，提高稳定性。此外，自适应神经模糊推理系统（ANFIS）等模型被用于模拟胃肠道环境，预测包封营养素（如淀粉凝胶中的葡萄糖）的释放和吸收。
市场趋势与消费者行为
人工智能能够处理大规模非结构化数据（如社交媒体互动、消费者评论），以提取有意义的见解，预测市场趋势和消费者偏好。无监督学习方法（如K-means聚类）可有效识别潜在的消费者细分群体，考虑性别、年龄、收入水平等因素对功能性食品消费的影响。情感分析与预测建模相结合，有助于预测消费者态度的转变。然而，数据质量、模型透明度以及伦理问题（如隐私保护）仍是该领域应用的主要挑战。
在健康声称验证方面，人工智能应用尚处于早期阶段，但已有研究探索使用光学字符识别（OCR）和规则算法来自动评估产品标签成分是否符合监管指南，展示了其在辅助合规性审查方面的潜力。
挑战与伦理考量
尽管人工智能技术取得了显著进展，但其在模拟人体肠道微生物群等复杂生物系统时仍存在局限。微生物与宿主相互作用的动态性和高度个体差异性对通用计算框架构成了挑战。当前模型在捕捉宿主-微生物相互作用的时空和因果动态方面能力有限，且难以整合微生物竞争、饮食适应等生态和进化过程。
在AI驱动的个性化营养领域，伦理挑战尤为突出。系统依赖持续收集敏感的个人数据（遗传、微生物组、代谢、行为等），带来了数据隐私、匿名化以及再识别风险。跨境数据流动中的监管一致性、模型可解释性（黑箱问题）以及用户知情同意和信任的建立都是亟待解决的问题。联邦学习和可解释人工智能（XAI）等方法是潜在的解决方案，但其有效采用依赖于数据治理、监管协调和以用户为中心的同意机制的同步发展。
结论与展望
人工智能正在重塑功能性食品的研究与开发，在生物活性化合物发现、代谢组学解释、配方优化和消费者洞察方面展现出强大潜力。未来发展的关键在于开发标准化、多机构共享的数据集，建立连接计算预测与体外、体内及临床证据的验证框架，并嵌入可解释性和伦理考量。多模态人工智能方法整合多组学、光谱学和成像数据，有望在生物利用度、稳定性和感官属性预测方面实现更高精度。最终，人工智能与食品科学的协同作用巨大，但前提是未来的系统具备可解释性、经过充分验证，并以公平和负责任的方式设计，以造福 diverse 人群。
