预测消费者对切达奶酪的偏好：一种结合风味组学与机器学习的方法

《Food Bioscience》：Predicting consumer preference for Cheddar cheese: A flavoromics-driven approach integrated with machine learning

　　

Xinying Xu|Aolin Yang|Ying Wang|Yangfan Guo|Ziyan Wu|Xiaoyan Pei|Wancui Xie|Jian He|Bei Wang

中国教育部北京工商大学老年营养与健康重点实验室，北京 100048

摘要

在中国快速增长的市场中，准确理解和预测消费者偏好对于切达奶酪产品的发展至关重要。本研究调查了28种市售切达奶酪样品中的挥发性化合物、感官描述符与消费者偏好之间的关系。通过定量描述性分析（QDA）对六种香气描述符进行了表征，同时利用顶空固相微萃取气相色谱-质谱（HS-SPME-GC-MS）技术鉴定并量化了89种挥发性化合物。消费者评估将样品分为三个偏好等级（不喜欢、一般、喜欢）。构建了四种机器学习（ML）模型，根据挥发性化合物浓度数据来预测消费者偏好。随机森林（RF）模型在处理高维风味组学数据方面表现出优越性能，分类准确率为94.1%，接收者操作特征曲线（ROC）下面积（AUC）为1.0。通过将Shapley加性解释（SHAP）特征重要性与感官相关性分析相结合，鉴定出13种显著影响消费者偏好的关键挥发性化合物，包括丁酸、1-己醇和苯甲醛。喜欢类型的奶酪特征是1-己醇和苯甲醛浓度较高，呈现出奶香和果香；而不喜欢类型的奶酪则含有大量短链脂肪酸，如丁酸和吲哚，这些化合物与变质和酸味密切相关。本研究建立了一种使用挥发性化合物精确量化和调节中国消费者对切达奶酪偏好的方法，为根据消费者偏好定制智能乳制品提供了参考。

引言

随着全球消费者生活水平的提高和更健康饮食习惯的普及，中国市场上的奶酪消费量稳步增长，表明中国的奶酪行业已进入了一个黄金发展期（Chen等人，2024年）。亚洲市场上的大多数奶酪产品都是进口的（You等人，2024年），中国是一个主要的奶酪进口国，人们可以轻松在日常生活中购买到各种品牌和类型的奶酪。在众多奶酪中，切达奶酪是一种通过凝乳酶凝固、酸化及浓缩制成的硬质奶酪（Choi等人，2020年）。它在全球消费市场中占据重要地位（You等人，2024年）。尽管切达奶酪起源于英国，但现在全球都有生产（You等人，2024年）。其独特的香气特征受到牛奶来源、加工技术、微生物群落和地区偏好的影响（Luo等人，2024年）。不同国家的消费者对切达奶酪的偏好有显著差异。例如，Meals等人发现美国消费者喜欢具有浓郁、硫磺味和鲜味的切达奶酪（Meals等人，2020年），而爱尔兰消费者则偏爱果香和甜味的品种（Mcewan等人，1989年）。然而，关于中国消费者对切达奶酪偏好的系统研究仍然相对较少。准确理解和预测这些偏好对于开发这一快速增长市场的定制产品至关重要。

消费者偏好通常受奶酪风味的影响，食品风味研究通常结合感官评估与气相色谱-质谱（GC-MS）技术（Li等人，2025年）进行。定量描述性分析（QDA）是感官科学的基石，通过训练有素的评估小组客观量化特定属性。在奶酪研究中，QDA用于识别香气特征并量化香气强度（Chen等人，2024年）。例如，Reyes-Díaz使用QDA描述墨西哥Fresco奶酪的香气为酸奶味、奶油味和酵母味（Reyes-Díaz等人，2020年）。然而，QDA评估过程耗时、劳动密集且成本高昂，难以实现大规模的风味区分（Zeng H.等人，2023年）。GC-MS具有出色的重现性和高灵敏度，是分析食品中挥发性风味化合物的常用方法（Zheng等人，2024年），广泛应用于发酵牛奶样品中的气味化合物鉴定（Tang等人，2024年），也包括不同成熟阶段的奶酪中挥发性风味化合物的比较分析（Zhang等人，2024年）。然而，GC-MS数据处理的复杂性及其易产生冗余性限制了其直接反映消费者偏好的能力。因此，需要进一步将其与感官评估相结合，以实现比较分析和消费者偏好的分类。

目前存在几种将感官数据与风味组学数据相关的统计方法（Yang等人，2024年）。然而，这些方法在处理非线性关系方面能力有限（Alin，2025年），且对特征的解释能力不足（Hardoon & Shawe-Taylor，2011年），可能使其成为表征切达奶酪复杂风味特征的次优统计策略。近年来，机器学习（ML）作为一种高效的数据挖掘和建模技术出现，能够客观、高精度地预测风味类型、强度和感官维度（Bouysset等人，2020年）。通过从大规模数据集中学习复杂模式，机器学习不仅提高了模式识别准确性，还减少了主观偏见。例如，Wang等人创新地将QDA与电子鼻技术相结合，利用逻辑回归和高斯支持向量机等机器学习算法成功预测了中国消费者的切达奶酪偏好。他们确认乳香和果香是中国消费者的主要正面偏好驱动因素（Wang等人，2025年）。同时，机器学习还能识别影响消费者偏好的关键风味化合物。Luo等人利用机器学习和线性回归识别白酒香气中的关键香气化合物，并预测其感官质量（Luo等人，2024年）。Qiu等人利用风味组学数据结合机器学习对酸奶香气类型进行分类，并通过机器学习特征重要性算法分析影响酸奶香气特征的关键风味化合物（Qiu等人，2024年）。当前研究表明，机器学习在食品风味研究方面取得了显著成果。然而，仍缺乏利用风味组学数据与机器学习模型结合来分类消费者偏好，并运用SHAP对切达奶酪中的特定关键风味化合物进行深入表征的研究。这一缺口阻碍了基于挥发性风味成分精确量化和中国消费者偏好调节的进展，限制了中国奶酪行业的创新发展。

鉴于消费者偏好在切达奶酪产品开发中的决定性作用，本研究旨在构建一个基于机器学习的分类框架，以准确区分消费者偏好等级并阐明影响这些偏好的关键挥发性化合物。具体研究目标包括：（1）分析28种切达奶酪样品的消费者偏好，并将其分为三个类别（不喜欢、一般、喜欢）；（2）通过QDA和HS-SPME-GC-MS确定28种市售切达奶酪样品的感官描述符和挥发性化合物浓度，建立消费者偏好、QDA和香气化合物之间的相关性；（3）开发并评估四种机器学习模型对三种消费者偏好等级的分类性能；（4）将SHAP值与风味相关性分析相结合，以识别关键挥发性化合物。通过将风味组学与智能算法相结合，本研究旨在建立一种客观准确的食品风味分析方法，为乳制品的风味调节和满足消费者偏好的产品开发提供科学依据。

节摘

材料与样品

本研究选择了28种市售的原始切达奶酪样品，均来自中国主要电子商务超市平台。样品信息总结在表1中，成分详情列在表S1中。样品包括16种温和成熟型和12种中等成熟型品种，产地涵盖爱尔兰、澳大利亚、德国、荷兰、美国和英国七个国家。样品的成熟度、蛋白质、脂肪和盐含量分别……

偏好分类及与感官描述符的相关性分析

本研究使用9点喜好量表评估了消费者对28种市售切达奶酪样品的总体偏好。图1A的结果显示样品之间的偏好得分存在显著差异（P < 0.05）。

QDA分析进一步揭示了不同偏好等级切达奶酪之间的显著感官差异。切达奶酪的香气感官测试结果见图1C和表S2。喜欢类型的样品主要呈现出奶香……

结论

本研究通过整合风味组学与机器学习，建立了一种预测和表征消费者对切达奶酪偏好的新方法。通过对28种市售切达奶酪的感官评估和GC-MS分析，研究发现消费者偏好显著受香气平衡的影响。喜欢类型的奶酪主要表现出奶香、果香和焦糖香，而不喜欢类型的奶酪则以变质和酸味为主。

作者贡献声明

Jian He：撰写 – 审稿与编辑，监督。Yangfan Guo：方法学研究。Ziyan Wu：实验研究。Xiaoyan Pei：撰写 – 审稿与编辑。Wancui Xie：验证。Xinying Xu：撰写 – 审稿与编辑，初稿撰写，方法学研究，实验研究，正式分析。Bei Wang：撰写 – 审稿与编辑，验证，项目管理，方法学研究，资金获取。Aolin Yang：撰写 – 审稿与编辑，初稿撰写。Ying Wang：撰写 – 审稿与……

未引用参考文献

Gonzalez Viejo等人，2021年；Rocchetti和O’Callaghan，2021年；Zeng等人，2023年。

利益冲突声明

作者声明他们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

本工作得到了国家乳制品技术创新中心（中国内蒙古；编号19000732519）的支持。