《Postharvest Biology and Technology》：Vis/NIR spectroscopy and chemometrics for enzymatic softening prediction in quince fruit
编辑推荐：
为解决传统酶活性检测耗时、昂贵、依赖化学试剂等问题，研究人员开展了基于可见/近红外(Vis/NIR)光谱与化学计量学（MLR、PLSR、ANN）及决策树-元启发式变量选择模型，对榅桲果实中PPO、POD和PME酶活性进行非损预测的主题研究，结果表明所有模型均提供了可靠的预测（R2 > 0.92, RPD > 2.8），有效波长模型在简化维度、提升可解释性及支持实时应用方面具有优势，为水果采后品质在线监控和减少损耗提供了新方法。
解读文章
当你拿起一个水果，它的颜色、质地和风味是判断品质好坏的最直观标准。然而，在水果从采摘到餐桌的漫长旅程中，一些看不见的“生物化学反应”正在悄然发生，它们决定着水果最终是美味可口还是腐败变质。其中，酶促褐变和软化是采后生理中影响水果品质的关键过程，主要由多酚氧化酶(Polyphenol Oxidase, PPO)、过氧化物酶(Peroxidase, POD)和果胶甲酯酶(Pectin Methyl-esterase, PME)的活性驱动。传统上，监测这些酶活性需要破坏性取样，经过繁琐的化学分析，过程耗时、成本高且依赖有害试剂，难以适应现代化、大规模的在线品质控制需求。那么，有没有一种方法，能像“扫描”一样，快速、无损地“看穿”水果内部，预测其酶活性和未来品质变化呢？这正是发表在《Postharvest Biology and Technology》上的一项研究试图解答的问题。
本研究聚焦于榅桲(Cydonia oblonga Mill.)这种富含生物活性成分但极易发生酶促褐变的水果。为了解决传统方法的局限性，研究人员将目光投向了可见/近红外(Visible-Near Infrared, Vis/NIR)光谱技术。这项技术如同一双“化学眼睛”，能够快速、无损地获取样品的光谱“指纹”信息，反映其内部化学成分的变化。通过将光谱信息与先进的化学计量学和机器学习建模相结合，研究人员旨在建立一种非损伤预测榅桲果实关键酶活性的可靠方法，为实时品质监控和智能采后管理提供科学工具。
为了完成这项研究，研究人员运用了几个关键技术方法。首先，核心数据采集依赖于Vis/NIR光谱仪，在350-1150 nm波长范围内获取了榅桲果实的反射光谱。其次，通过标准的湿化学方法测定了PPO、POD和PME的酶活性、颜色参数(L, a, b*)及质地硬度，以此作为建模的“金标准”参考值。然后，研究引入了三种回归建模算法——多元线性回归(Multiple Linear Regression, MLR)、偏最小二乘回归(Partial Least Squares Regression, PLSR)和人工神经网络(Artificial Neural Network, ANN)——来探索光谱与酶活性之间的线性及非线性关系。最后，为了提升模型效率和可解释性，研究创新性地采用了一种结合决策树(Decision Tree, DT)与十一种元启发式算法的混合变量选择策略，以从高维光谱数据中筛选出最具信息量的特征波长(Effective Wavelengths, EWs)。所有样本(共80个果实)来自伊朗东阿塞拜疆省Mianeh县的果园，在不同储存期(0, 60, 120, 180天)进行了评估。
研究结果
3.1. 通过化学测定法获得的酶活性、颜色和硬度
在整个180天的储存期间，三种酶(PPO、POD、PME)的活性均呈现进行性增加，反映了与组织软化和褐变相关的氧化及果胶分解过程增强。与此同时，颜色参数L值下降、a值上升，表明褐变加剧；质地硬度从75.32 N显著下降到27.50 N。这些生化与物性的同步变化，为后续光谱变化提供了生理学依据，并确认了所测数据集的同质性与可靠性，适合用于化学计量学建模。
3.2. 光谱数据探索
3.2.1. 光谱特征
原始Vis/NIR光谱显示，随着储存时间延长，整体吸光度下降，并在约680 nm和620 nm附近存在明显的吸收带和肩峰。这些变化与叶绿素、类胡萝卜素等色素降解，以及可能与组织损伤、水分重新分布相关的生化改变一致。特别是，文献表明约677 nm波长与苹果切片中的PPO活性相关，而620 nm附近区域则与多种水果中的PME相关变化有关，这为利用光谱监测酶驱动变化提供了依据。
3.2.2. 主成分分析
对光谱数据进行主成分分析(Principal Component Analysis, PCA)后，发现第一主成分(PC1)解释了63.09%的方差，可能反映了果实成熟度或生理差异；第二主成分(PC2)解释了28.89%的方差，其得分与PME活性水平显著相关。载荷图显示，在650-700 nm区域有显著的信号贡献，这与之前关联酶活性的光谱区域吻合，证实了Vis/NIR光谱捕捉酶相关变异的能力。
3.3. 回归建模：PLSR、MLR和ANN性能
使用MLR、PLSR和ANN模型对三种酶活性进行预测。所有模型在测试集上均表现出良好的预测性能，RPD值均大于2.5，表明具备可靠的定量预测能力。其中，ANN模型在预测PPO和PME时表现出最高的精度(R2P= 0.95和0.98，RPD = 4.45和7.60)，但存在一定过拟合迹象。PLSR模型则表现出更好的稳定性。尽管缺乏完全独立的验证数据集是本研究的一个局限，但整体结果证实Vis/NIR光谱结合回归模型是量化榅桲储存期间酶活性的一种可靠、非损伤方法。
3.4. 通过元启发式-决策树混合方法进行变量选择
为了提升模型性能、降低计算复杂度并提高可解释性，研究采用了一种结合DT与多种元启发式算法的混合变量选择方法，旨在筛选预测PPO、POD和PME活性的最有效波长。在评估的十一种算法中，学习自动机(Learning Automata, LA)和森林优化算法(Forest Optimization Algorithm, FOA)在精度和误差收敛方面表现最佳。由LA-DT方法筛选出的10个有效波长所构建的回归模型，其预测性能与使用全光谱范围的模型相当甚至更优。例如，对于PPO，基于有效波长的ANN模型测试集预测误差(RMSEP)为0.038 UPE/mL，优于全光谱ANN模型的0.048 UPE/mL。有效波长模型在降低维度、提升模型可解释性以及适用于实时或嵌入式传感应用方面展现出明显优势。
结论与意义
本研究成功地将Vis/NIR光谱技术与先进的化学计量学、机器学习建模及创新的变量选择策略相结合，建立了一个能够非损伤、可靠地预测榅桲果实中PPO、POD和PME关键酶活性的方法体系。线性与非线性回归模型均显示出良好的预测能力，证实了光谱信息对采后储存期间酶活性相关生化变化的高度敏感性。
研究的核心结论在于，全光谱模型与基于有效波长的模型表现相当，但各有侧重。全光谱模型具有更广泛的化学代表性和潜在的更强鲁棒性；而有效波长模型则在降低数据维度、提高模型可解释性以及特别适合开发实时、便携式检测设备方面具有显著优势。这为不同应用场景（实验室精准分析 vs. 产线快速筛查）提供了灵活的技术选择。
这项工作的重要意义在于，它为水果采后品质监控提供了一种快速、准确且无需破坏样品的创新解决方案。该方法不仅有助于深入理解榅桲等水果采后生理变化的机制，其核心框架更具备广泛的适用性，可扩展至其他果蔬商品的在线品质控制和实时监测中。通过实现对酶促褐变和软化过程的早期预警和精准管理，该技术有望支持更高效的采后处理策略，从而有效减少食品损耗，提升产业效益。尽管未来仍需通过跨季节、跨产区的更大规模研究来进一步验证模型的普适性，但本研究无疑为智能化和可持续的采后生物学与技术发展指明了新的方向。
