利用机器学习辅助选择具有挥发性有机化合物特征的样品，以实现芳香梨的地理来源与品质等级的同时识别

《Journal of Food Measurement and Characterization》：Machine learning assisted characteristic volatile organic compounds selection for simultaneous geographical origin and quality grade identification in fragrant Pears

香梨地理来源与品质鉴别研究利用HS-SPME-GC-MS分析35种VOCs，结合Boruta算法筛选特征变量，XGBoost模型对地理来源和品质等级的识别准确率达100%和90%，Hexanal和α-Farnesene为关键生物标记物。

　　

摘要

芳香梨（“Pyrus sinkiangensis Yu”）因其令人愉悦的香气和口感而深受消费者喜爱。然而，由于经济利益的驱使，出现了关于其地理来源和品质等级的欺诈行为。本研究的目的是利用机器学习辅助的特征挥发性有机化合物（VOCs）选择技术，同时识别芳香梨的地理来源和品质等级。顶空固相微萃取结合气相色谱-质谱（HS-SPME-GC-MS）技术成功鉴定并量化了来自不同地理来源和品质等级的芳香梨中的35种VOCs。随后，构建了一个机器学习工作流程以实现地理来源和品质等级的同步识别。与偏最小二乘判别分析（PLS-DA）的变量重要性投影（VIP）方法相比，Boruta算法（BA）改进了特征VOCs的选择，并在地理来源和品质等级的识别方面展现了更有效的模型性能提升。采用BA特征VOCs的XGB模型在地理来源和品质等级的识别上均表现出最佳的泛化性能，准确率分别达到了100.0%和90.0%。在这些特征VOCs中，己醛（Hexanal）和α-法尼烯（à-Farnesene）的重要性最高，它们可能成为识别地理来源和品质等级的潜在生物标志物。总体而言，机器学习为辅助特征VOCs的选择提供了有力工具，从而能够同时识别芳香梨的地理来源和品质等级，确保水果的真实性并防止水果欺诈。

图形摘要