综述：基于机理理解并与组学数据指导结合的精油在食品保鲜中的应用

《Journal of Food Protection》：Mechanistically Informed and Omics-Guided Essential Oil Applications for Food Preservation

　　穆罕默德·纳兹鲁尔·伊斯兰·布伊扬（Mohammad Nazrul Islam Bhuiyan）| 马德·赛杜尔·拉赫曼（Md. Saidur Rahman）| 马德·马赫富祖尔·拉赫曼（Md. Mahfuzur Rahman）
BCSIR查塔戈姆实验室，BCSIR，查塔戈姆4220，孟加拉国

摘要

随着对安全、可持续和清洁标签食品保存策略的需求不断增长，人们对植物源精油（EOs）作为天然抗菌剂的兴趣也在增加。这些化学复杂的混合物通过多种机制表现出广谱抗菌活性，对抗食品borne病原体和腐败微生物，包括膜破坏、代谢干扰、氧化应激诱导以及群体感应和生物膜形成的调节。然而，它们的实际应用仍受到成分变异、物理化学不稳定性、依基质疗效和感官限制的制约。多组学技术的最新进展将人们对EO与微生物相互作用的理解从描述性观察提升到了机制性和系统层面的洞察。转录组学、蛋白质组学和代谢组学分析揭示了协调的细胞反应，包括应激适应、效应蛋白激活和代谢重编程，为基于EO的保存策略的合理优化提供了基础。同时，人工智能（AI）和机器学习（ML）为建模复杂的相互作用和预测抗菌效果提供了补充工具。然而，它们的应用仍受到数据异质性、实际食品系统中验证不足以及解释性挑战的限制。本综述批判性地综合了基于EO的食品保存中机制性、组学驱动和AI支持的方法，同时解决了包括标准化缺失、监管复杂性和可扩展性等关键转化障碍。

引言

全球食品系统日益面临人口增长、气候变异性以及确保安全、可持续和高质量食品供应的需求。食品损失仍然是一个严峻问题，大约三分之一的总产量因微生物污染、氧化降解和收获后处理不当而损失（Karanth等人，2023年）。虽然合成防腐剂历来有助于减轻这些损失，但其长期使用引发了关于毒理学安全性、环境持久性和潜在抗菌素耐药性增加的担忧（Rajadurai等人，2022年；Warner，2024年）。因此，人们对符合清洁标签要求和可持续性目标的天然保存策略越来越感兴趣（Maurya等人，2021年；Lisboa等人，2024年）。

植物源精油（EOs）因其抗菌和抗氧化特性而在食品保存中成为有前景的多功能剂。这些主要由萜类、酚类化合物、醛类和酯类组成的复杂混合物对主要食品borne病原体（如单核细胞增生李斯特菌、肠沙门氏菌和大肠杆菌）以及腐败相关微生物表现出广谱活性（Nurzyńska-Wierdak和Walasek-Janusz，2025年；Valarezo等人，2025年；Guo等人，2024年）。除了在食品中的应用外，EOs在农业系统中也显示出保护作用，例如种子保存，进一步突显了它们作为天然抗菌剂的多样性（Begum等人，2010年）。

在分子层面上，关键的EO成分如香芹酚、百里香酚和肉桂醛会破坏膜完整性，增加通透性，破坏质子动力，干扰细胞内代谢过程（Li等人，2022年）。这些效应还与氧化应激诱导和群体感应途径的调节有关，从而抑制生物膜形成和微生物毒性（Abdel-Aziz等人，2020年）。多组学技术的最新进展显著加深了对EO与微生物相互作用机制的理解。转录组学和蛋白质组学分析揭示了EO暴露后的协调应激响应网络，包括效应泵的上调、膜重塑途径和氧化防御系统的激活（Afzaal等人，2022年；Abril等人，2023年）。同时，代谢组学研究表明中心碳代谢、氨基酸生物合成和脂质途径发生了扰动，表明了系统范围内的代谢重编程（Zhou等人，2022年）。这些发现共同表明，EO的抗菌活性涉及多靶点、系统层面的相互作用，而不是单一位点的作用，为降低耐药性的发展提供了机制基础，同时也强调了微生物适应性反应的潜力。

尽管有这些优势，EO在食品系统中的实际应用仍受到物理化学和感官限制的制约。高挥发性和易氧化性降低了稳定性，而疏水性限制了在水性基质中的分散，导致分布不均和抗菌性能不稳定（Shi等人，2024年；Balasubramanian等人，2022年）。此外，体外有效的抗菌浓度通常超过感官接受阈值，导致不良的风味和香气变化。与蛋白质、脂质和碳水化合物等食品成分的相互作用进一步影响了EO的生物利用度，造成了疗效的依基质变异性（Jackson-Davis等人，2023年）。人工智能（AI）和机器学习（ML）为通过数据驱动优化EO应用提供了补充工具。预测模型，包括支持向量机、随机森林和深度学习算法，已被用于估计抗菌活性、优化配方参数，并将化学组成与功能和感官结果相关联（Balakrishnan等人，2025年；Yin等人，2025年；Zhu和Spachos，2021年）。最近的进展进一步突显了集成AI的EO系统在提高保存效率和配方设计方面的潜力（Bhuiyan等人，2026年）。然而，当前应用仍受到数据集规模有限、实验设计变异性和外部验证不足的限制，限制了它们的稳健性和工业适用性（Rugji等人，2024年；Uzun和Saltan，2024年）。

一个特别有前景的方向是将AI与多组学数据集相结合，以实现系统层面的微生物对EO暴露响应建模。基因组学和宏基因组学提供了关于微生物组成和耐药性决定因素的见解，而转录组学、蛋白质组学和代谢组学则捕捉了动态的细胞和代谢适应（Su等人，2024年；Das和Tamang，2023年）。当通过计算框架整合这些数据集时，它们可以支持抗菌效果的预测建模、协同EO组合的识别以及应用条件的合理优化。然而，与数据标准化、互操作性、分析成本和模型可解释性相关的挑战仍是实施的重大障碍（Suravajhala和Goltsov，2022年；Martínez等人，2025年）。此外，实验设计和报告的不一致性进一步限制了可重复性和跨研究可比性。EO化学型、微生物挑战模型和分析方法的差异也复杂化了数据解释。管理EO使用的监管框架（如美国食品药品监督管理局和欧洲食品安全局制定的框架）并不总是被一致应用，特别是在涉及复杂配方和先进分析验证的新应用中（Jackson-Davis等人，2023年；Noshirvani，2024年）。

本综述提供了基于EO的食品保存的集中和批判性综合，强调了来自多组学方法的机制性见解。具体来说，它（i）阐明了EO抗菌活性和微生物适应背后的分子和系统层面机制；（ii）评估了组学数据如何为EO配方的理性选择和优化提供信息；（iii）考察了AI和ML在预测建模中的作用和局限性；（iv）确定了可重复、基于证据的应用所需的关键研究差距和方法学重点。

**EO作为食品系统中的抗菌剂：来源、化学性质和作用机制**

EO的来源和化学组成。EO是由芳香植物和药用植物作为对其抗菌入侵、食草动物、氧化应激和环境压力的适应性防御系统的一部分合成的低分子量次级代谢物的复杂、易挥发的混合物。这些化合物在专门的分泌结构中产生和储存，包括腺毛、导管、腔体和表皮细胞，分布于植物组织中，如叶子、花朵、树皮、种子、根茎和水果皮（Aziz等人，2018年；Nayak等人，2025年）。EO的化学组成高度可变，受到内在因素（物种、基因型、化学型和发育阶段）以及外在条件（土壤组成、气候、收获时间和收获后处理方法）的影响（Nurzyńska-Wierdak和Walasek-Janusz，2025年）。通常，EO包含单萜、倍半萜、苯丙素、醛类、酮类及其氧代衍生物，这些成分共同决定了抗菌活性和感官特性（Masyita等人，2022年）。

关键的生物活性成分，包括百里香酚、香芹酚、丁香酚、肉桂醛、丁子香酚和柑橘醛，在食品系统中一直与抗菌和抗氧化功能相关。来自牛至（Origanum vulgare）、百里香（Thymus vulgaris）、香茅属（Cymbopogon spp.）、桂花（Syzygium aromaticum）和肉桂属（Cinnamomum spp.）的EO对革兰氏阳性和革兰氏阴性细菌以及腐败酵母和丝状真菌表现出广谱活性（Faheem等人，2022年；Valarezo等人，2025年；Guo等人，2024年）。可靠的化学表征对于确保研究间的可重复性和功能一致性至关重要。分析技术如气相色谱-质谱（GC–MS）、顶空固相微萃取和红外光谱被广泛用于分析EO成分、检测掺假并建立组成-活性关系（Alsahafi等人，2025年；Carpena等人，2021年）。

对比分析表明，相对于食品borne病原体（如单核细胞增生李斯特菌、金黄色葡萄球菌和蜡样芽孢杆菌），牛至油、百里香油和肉桂油通常表现出更高的抗菌效力。然而，由于实验设计、分析方法和食品基质相互作用的差异，不同研究之间存在显著差异（Hyldgaard等人，2012年；Ricardo-Rodrigues等人，2024年）。重要的是，分离的EO成分往往比整油表现出较低的抗菌效力，这突显了多种化合物之间的协同和加合作用（Lee等人，2020年；Pezantes-Orellana等人，2024年）。总体而言，EO的组成变异性既是一个功能优势，也是一个转化挑战。虽然化学多样性支持了广谱生物活性，但也需要特定化学型的表征、标准化的分析协议和稳健的报告框架以实现可重复性并支持预测建模方法。

**抗菌和抗氧化作用的分子机制**。EO通过协调的多靶点相互作用发挥抗菌活性，破坏基本的细胞结构和代谢过程，如图1所示。亲脂性成分如百里香酚、香芹酚和丁香酚会穿透微生物膜，改变脂质组织，增加通透性，并耗尽质子梯度。这导致细胞内离子和代谢物的泄漏、质子动力系统的崩溃以及三磷酸腺苷（ATP）的耗尽，最终导致细胞死亡（Hyldgaard等人，2012年；Masyita等人，2022年）。

下载：下载高分辨率图片（483KB）
下载：下载全尺寸图片

**图1. 精油的多靶点抗菌机制及其相关的多组学反应**。精油成分破坏微生物膜，诱导活性氧（ROS）介导的氧化损伤，并抑制酶活性和代谢过程。这些初级效应触发系统层面的反应，包括转录组学（基因调控）、蛋白质组学（蛋白质表达变化）和代谢组学（代谢途径扰动），共同导致细胞稳态的丧失和微生物失活。除了膜破坏外，EO成分还干扰细胞内目标，包括酶系统、核酸合成和能量代谢。如图1所示，这些效应还通过活性氧（ROS）的生成得到放大，对蛋白质、脂质和核酸造成氧化损伤。同时，群体感应途径的调节和生物膜形成的抑制减少了食品系统中的微生物毒性和持久性（Guo等人，2024年；Tejada-Mu?oz等人，2024年）。

多组学分析通过揭示EO暴露后的协调细胞反应提供了这些过程的机制性解析。如图1所示，转录组学和蛋白质组学研究表明应激响应网络的激活，包括效应泵系统、膜重塑途径和氧化防御机制。同时，代谢组学分析表明中心代谢途径（特别是糖酵解和三羧酸循环）受到干扰，反映了全局代谢重编程（Abril等人，2023年；Zhou等人，2022年）。这些发现共同表明，EO的抗菌活性涉及系统层面的微生物稳态扰动，而不仅仅是单一靶点抑制。这种多层次的作用模式为降低耐药性的发展提供了机制基础，同时也强调了在亚致死水平暴露条件下微生物适应性反应的潜力。

除了抗菌效果外，EO还表现出抗氧化活性，这主要归因于能够捐赠氢原子或电子以中和自由基的酚类成分。这些化合物抑制脂质过氧化、螯合过渡金属并稳定活性中间体，从而延缓氧化劣化和保持食品质量（Nieto等人，2018年；Valarezo等人，2025年）。然而，在体外条件下观察到的抗氧化效果并不总能在复杂的食品基质中直接体现，因为存在与大分子和环境因素的相互作用。

**结构-活性关系（SARs）和协同作用**。SARs为理解EO效力的变异性提供了机制框架。酚类化合物如百里香酚和香芹酚因其羟基官能团而表现出强抗菌活性，增强了膜相互作用和氧化还原反应性（M?czka等人，2023年）。醛类如肉桂醛和柑橘醛通过与微生物蛋白质的共价相互作用来破坏酶活性和代谢途径（Gutiérrez-del-Río等人，2018年；Ashokkumar等人，2022年）。更广泛地说，官能团、极性和分子大小的变化影响溶解度、膜通透性和整体生物活性。EO成分之间的协同作用在抗菌效果中起着核心作用。化合物组合可以增强膜破坏、代谢干扰和氧化应激，超出单个成分的效果，从而提高抗菌性能。这种多靶点协同作用还可以通过同时影响多个细胞途径来降低微生物适应的可能性（Lee等人，2020年）。然而，由于实验方法的变异，协同效果的定量评估仍然受限，这强调了需要标准化方法和可重复的分析框架。精油在食品系统中的抗菌性能受到物理化学和生物因素的强烈调节。它们的疏水性限制了在水性介质中的分散，而与脂质和蛋白质的相互作用会降低生物利用度和抗菌效力。此外，挥发性和氧化不稳定性导致活性成分迅速降解，从而随时间减弱功能性能。感官约束——尤其是强烈的香气和味道——进一步限制了在微生物控制所需浓度下使用精油（Salan??和Cropotova, 2022; Rout等人, 2022）。重要的是，在受控实验室条件下观察到的抗菌活性通常高估了实际食品系统中的效果。基质复杂性、微生物多样性和环境变异性显著影响精油的性能，需要针对具体情况进行评估（Jackson-Davis等人, 2023）。这些限制突显了需要能够整合组成、环境和微生物变量的预测框架。人工智能和多组学方法为解决这一复杂性提供了互补策略。机器学习模型可以捕捉精油组成、微生物反应和环境参数之间的关系，以预测抗菌结果并确定效力的关键决定因素（Balakrishnan等人, 2025; Yin等人, 2025）。同时，组学技术提供了关于微生物适应性和应激反应的机制见解，有助于识别与敏感性和耐受性相关的生物标志物（Su等人, 2024; Das和Tamang, 2023）。然而，这些方法仍受数据异质性、外部验证有限以及模型可解释性挑战的制约。因此，它们应该被视为用于假设生成和机制整合的新兴工具，而不是完全成熟的工业应用解决方案。

**精油-微生物相互作用的机制和组学见解**

**抗菌作用的分子机制**：精油通过多靶点机制发挥抗菌作用，干扰食源性病原体的基本细胞过程。与传统针对特定分子靶点的抗菌剂不同，精油成分通过与膜和细胞内系统的物理化学相互作用显示出广谱活性（Hyldgaard等人, 2012; Li等人, 2022）。疏水性化合物如百里酚、香芹酚和丁子香酚能渗透到脂质双层中，增加膜的流动性和通透性。这导致细胞内成分泄漏、离子梯度消散以及质子动力系统的崩溃，最终损害ATP合成和能量代谢（Li等人, 2022）。除了膜破坏外，精油成分还干扰酶活性和中央代谢途径。酚类化合物能通过生成活性氧（ROS）使蛋白质变性并破坏氧化还原平衡，导致核酸、脂质和蛋白质的氧化损伤（Abdel-Aziz等人, 2020）。此外，对群体感应系统的干扰还会减少微生物的通讯、毒力表达和生物膜形成，从而限制其在食品环境中的持久性（Hyldgaard等人, 2012; Li等人, 2022）。

**抗菌效力还受微生物生理学的影响**：革兰氏阴性菌由于具有富含脂多糖的外膜而表现出较低的敏感性，这限制了疏水性精油化合物的扩散。然而，某些小萜烯可以穿透这一屏障或协同作用来增强通透性。相比之下，革兰氏阳性菌通常更易受影响，因为它们缺乏这一外膜，允许直接与细胞质膜相互作用（Hyldgaard等人, 2012）。

**组学技术揭示的系统级反应**：最近在组学技术方面的进展将人们对精油-微生物相互作用的理解从单靶点效应转变为协调的系统级反应（表1）。转录组分析显示与应激适应、膜修复和外排介导的解毒相关的全球基因表达变化（Afzaal等人, 2022）。编码多药外排泵和转运系统的基因上调反映了活跃的细胞反应。

**多组学整合**：多组学研究进一步证明了参与能量代谢、应激反应和细胞膜生物合成的蛋白质的变化（Abril等人, 2023）。伴侣蛋白、热休克蛋白和氧化应激酶的表达增加表明保护途径被激活，而蛋白质合成和折叠的破坏则表明翻译机制受损。代谢组分析提供了关于下游生化效应的补充见解，揭示了糖酵解、三羧酸（TCA）循环活动、氨基酸代谢和脂质生物合成的扰动（Zhou等人, 2022）。应激相关代谢物的积累和能量中间体的消耗表明在抗菌压力下发生了代谢重编程。总体而言，这些多组学发现表明，精油的抗菌活性涉及转录、蛋白质组和代谢网络的协调破坏，而不仅仅是孤立的生化靶点。

**微生物适应、耐受性和抗性潜力**：尽管精油通常被认为比传统抗菌剂更不容易产生抗性，但新证据表明，在亚致死暴露条件下会发生微生物适应。基于组学的研究表明，反复的精油暴露会诱导适应性反应，包括膜重构、外排泵激活和增强的抗氧化防御系统（Afzaal等人, 2022; Zhou等人, 2022）。这些反应可以随着时间的推移增加耐受性并降低敏感性，特别是在亚抑制浓度常见的复杂食品基质中。转录组分析进一步揭示了全局应激反应调控因子和转录调节因子在这些适应中的作用，而蛋白质组数据表明解毒酶和膜相关蛋白质的表达增加，这些蛋白质增强了细胞完整性（Abril等人, 2023）。这些发现强调了优化精油浓度、暴露动态和组合策略以最小化耐受性发展的重要性。精油成分之间的协同作用或精油与互补保存方法之间的协同作用可以增强抗菌效力，同时降低适应潜力。例如，百里酚和香芹酚的组合比单独使用更有效地破坏膜完整性和代谢途径（Hyldgaard等人, 2012; Li等人, 2022）。这种协同作用可以通过基于组学的指导方法合理设计，同时针对多个细胞途径。

**多组学整合用于机制阐明**：多组学数据的整合为理解多个生物层次上的精油-微生物相互作用提供了系统级框架。通过结合基因组学、转录组学、蛋白质组学和代谢组学，可以将基因调控与蛋白质表达和代谢输出联系起来，从而全面映射细胞反应（Su等人, 2024）。例如，转录组-代谢组学整合可以揭示基因表达变化如何转化为代谢流的变化，而蛋白质组学-代谢组学分析可以识别酶水平的干扰及其下游生化效应。这些方法特别有助于区分主要的抗菌机制和次要的应激反应。

**尽管有这些优势，多组学方法仍受到数据整合、标准化和解释挑战的限制**：实验设计、分析平台和数据处理流程的变异性限制了可重复性和跨研究的可比性（Suravajhala和Goltsov, 2022）。解决这些限制需要标准化的方法论和强大的计算框架，以确保结果可靠且可解释。

**对基于精油的保存策略进行合理设计的影响**：机制和组学见解为基于精油的保存系统的合理设计提供了基础。识别关键分子靶点和途径可以选择最大化抗菌效力的精油成分或组合，同时最小化感官影响和适应性反应。例如，同时针对膜完整性和代谢途径可以产生协同抗菌效果。此外，来自组学的生物标志物为动态监测微生物反应和优化处理条件提供了潜力。与机器学习方法的整合可以进一步提高预测能力，支持数据驱动的配方和应用设计（Balakrishnan等人, 2025; Yin等人, 2025）。然而，将其应用于实际食品系统需要在特定基质条件下进行验证，并考虑物理化学和感官约束。

**基于AI的精油活性分析：机会、局限性和与组学的整合**：人工智能和机器学习方法越来越多地被应用于模拟精油在复杂食品系统中的抗菌活性。如图2所示，这些框架整合了多个输入层面，包括精油的化学组成、来自组学的微生物反应数据和环境参数，以预测抗菌效力并确定活性的关键决定因素。这样的方法特别适合捕获难以用传统实验方法解决的组成、生物和环境变量之间的非线性相互作用。已经使用支持向量机、随机森林和人工神经网络等算法来预测最小抑制浓度（MIC）、抗菌效力和基于物理化学描述符和实验数据集的组成-活性关系（Balakrishnan等人, 2025; Yin等人, 2025; Zhu等人, 2021）。除了预测之外，机器学习模型还可以将挥发性化合物特征与抗菌和感官结果联系起来，从而识别关键生物活性成分及其对效力的相对贡献。如图2所示，特征选择和模型解释可以通过识别与微生物抑制和代谢破坏相关的关键变量提供进一步的机制见解。然而，尽管有这些进步，大多数模型仍然依赖于在受控实验室条件下生成的数据集，这限制了它们在微生物动态、基质相互作用和环境变异性更为复杂的异质食品系统中的适用性。

**当前AI应用的局限性**：尽管兴趣不断增加，但基于AI的精油保存应用仍受到若干方法论限制（Bhuiyan等人, 2026）（表2）。一个主要挑战是可用数据集的大小和异质性有限，这些数据集通常结合了来自不同实验条件、微生物菌株和分析方法的结果。这种变异性引入了偏差并降低了模型的稳健性（Rugji等人, 2024; Uzun和Saltan, 2024）。另一个限制是缺乏外部验证。许多研究报告了预测准确性，但没有在真实食品系统中确认结果，这引发了关于过拟合和普遍性有限性的担忧（Balakrishnan等人, 2025）。此外，尽管已知食品组成、水分活度和储存条件对精油性能有影响，但这些关键参数往往被忽略（Yin等人, 2025）。模型可解释性仍然是一个挑战，特别是对于深度学习方法。虽然这些模型可能实现高预测性能，但它们的“黑箱”性质限制了机制洞察力，并降低了它们在假设生成和监管接受度方面的实用性。

**AI与多组学数据的整合**：将AI与多组学数据整合代表了一种有前途的策略，可以推动精油研究超越经验建模。通过结合基因组学、转录组学、蛋白质组学和代谢组学数据，AI模型可以捕捉精油暴露下的动态系统级微生物反应（Su等人, 2024; Martínez等人, 2025）。组学数据可以指导特征选择（例如，应激响应基因、代谢生物标志物），提高模型可解释性和预测准确性。这种整合框架使得从基于相关性的预测向基于机制的精油-微生物相互作用建模转变成为可能。然而，实际实施仍然受到数据稀缺、分析成本高和缺乏标准化流程的限制，这复杂化了整合并降低了可重复性（Suravajhala和Goltsov, 2022）。

**AI在优化和配方设计中的应用**：AI也被探索用于优化精油配方，包括成分选择、浓度比和协同作用。基于机器学习的框架可以分析大型参数空间，以识别最大化抗菌效力同时最小化感官影响的组合（Balakrishnan等人, 2025; Uzun和Saltan, 2024）。然而，大多数研究并未充分考虑基质特异性相互作用、处理条件或长期稳定性。优化目标通常定义狭窄，仅关注抗菌活性，而不考虑感官可接受性、监管合规性或成本等权衡因素。未来的方法应采用多目标优化框架并结合实验验证，以确保实际适用性。

**从实验室研究到工业应用的转化挑战**：将基于精油的保存策略从实验室研究转化为工业应用仍然是一个主要瓶颈，如图3概念性所示。虽然受控实验室研究在简化条件下显示出有希望的抗菌效力，但将这些发现扩展到试点和工业系统会引入与复杂食品基质、环境波动和过程异质性相关的显著变异性。弥合这一差距需要标准化的方法论、实验验证以及可扩展且具有成本效益的解决方案的整合。如图3所示，这种转变还因相互关联的挑战而变得更加复杂，包括成分的变异性、监管要求、经济限制以及对严格验证的需求。美国食品药品监督管理局和欧洲食品安全局等监管机构要求提供强有力的实验证据来支持安全性和有效性的声明。重要的是，尽管AI生成的预测对于假设生成和优化非常有价值，但没有标准化的实验验证，这些预测不足以获得监管批准（Jackson-Davis等人，2023年）。在这种情况下，一个关键的局限性是缺乏标准化的数据集、统一的方法论和一致的报告框架，这些都限制了研究的可重复性并阻碍了基准测试。由于化学成分和实验设计的固有变异性，这个问题在精油（EO）研究中尤为突出。

从工业角度来看，实施基于AI和EO的保存系统需要与现有的生产工作流程相结合，并且需要适当的计算基础设施和技术专长。成本考虑因素，包括原材料的变异性、配方复杂性和可扩展性，进一步限制了其采用，尤其是在中小企业中。总体而言，这些因素突显了实验室规模创新与实际应用之间的关键差距，强调了需要标准化验证框架、跨学科合作和监管协调，以实现基于EO的保存技术的成功转化。

未来展望：朝着基于机制理解和数据驱动的EO保存系统发展。关于EO在食品保存中的研究必须从描述性评估转向基于机制的、以假设为导向的框架。尽管抗菌效果已经得到充分证实，但其背后的生物学机制仍不够明确，并且经常被泛化到不同的系统中。分子微生物学和系统生物学的进步现在能够详细表征EO与微生物之间的相互作用，有助于识别分子靶点、应激响应途径和代谢脆弱性（Abdel-Aziz等人，2020年；Li等人，2022年）。一个核心任务是建立EO化学成分与生物功能之间的定量联系。如图4所示，这需要将高分辨率的化学分析与针对性的生物检测和多组学验证结合起来，以解决结构-活性关系。这种方法能够合理选择EO成分及其组合，从而最大限度地提高抗菌效果，同时最小化感官影响和微生物的适应性反应（Masyita等人，2022年；Zhou等人，2022年）。

下载：下载高分辨率图像（879KB）
下载：下载全尺寸图像

图4. 基于机制理解和数据驱动的精油食品保存系统优化集成框架。通过分析EO化学成分，并将其与多组学分析（转录组学、蛋白质组学、代谢组学）联系起来，可以系统地理解微生物的反应。这些数据被纳入AI模型中用于预测建模和特征选择。建模、实验验证和优化之间的迭代反馈循环能够在实际食品系统条件下实现动态配方设计，最终支持安全、有效和可持续的保存策略。

推进多组学整合以预测微生物生态学。多组学技术的整合是理解和预测微生物对EO暴露反应的关键领域。如图4所示，转录组学、蛋白质组学和代谢组学共同提供了关于基因调控、蛋白质反应和代谢途径扰动的系统级见解。未来的研究应优先考虑能够捕捉实际储存条件下动态反应的纵向数据集（Su等人，2024年；Das和Tamang，2023年）。重要的是，研究必须超越单一生物体模型，考虑到代表真实食品系统的复杂微生物群落。病原体、腐败微生物和背景微生物群之间的相互作用会显著影响EO的效果，而这些在简化的实验模型中并未得到充分体现。将多层组学数据整合到这些系统中将有助于预测微生物的演替、耐受性发展和腐败动态。

为了提高可重复性和跨研究的可比性，标准化的水准化多组学工作流程（包括统一的采样策略、分析流程和报告格式）是必不可少的（Suravajhala和Goltsov，2022年）。

迈向可解释和经过验证的AI框架。预计AI在EO研究中将发挥越来越重要的作用；然而，其影响取决于解决与数据质量、验证和可解释性相关的限制。如图4所示，AI模型可以整合EO成分、组学衍生的特征和食品系统参数，以预测抗菌效果并支持数据驱动的决策制定。未来的模型应通过结合经过实验验证的参数和生物学上有意义的特征，同时优先考虑机制可解释性和预测性能（Balakrishnan等人，2025年；Martínez等人，2025年）。结合机制知识和数据驱动算法的混合建模方法代表了一个有前景的方向，能够实现预测准确性和生物学洞察。

严格的验证策略，包括外部验证和在实际食品系统中的测试，对于确保可靠性和实际应用性至关重要（Rugji等人，2024年）。此外，开发包含化学、微生物学和多组学数据的开放访问数据集将有助于模型训练、基准测试和跨研究比较（Yin等人，2025年）。

弥合实验室研究与实际应用之间的差距。EO研究的一个持续存在的限制是实验室发现与实际应用之间的脱节。如图4概念性所示，需要将实验验证与计算建模相结合的迭代工作流程，以实现基于EO的保存策略的动态优化。未来的研究应优先在真实的储存条件、复杂的食品基质和工业加工环境中进行验证。应一致报告标准化的定量指标，如微生物对数减少、保质期延长和稳定性曲线，以提高可比性和实际相关性（Salan??和Cropotova，2022年）。此外，研究必须明确解决可扩展性、成本效益和过程整合问题，这些问题在早期研究中常常被忽视。与行业利益相关者的合作对于识别实际限制和确保与现有加工技术和供应链的兼容性至关重要。

转化挑战、标准化和监管框架。EO应用的一个主要障碍是由植物基因型、地理来源和加工条件引起的成分变异性，这直接影响抗菌效果（Masyita等人，2022年；Aziz等人，2018年）。基质依赖性效应、不一致的实验方案和MIC测定的变异性进一步限制了研究的可重复性和可比性（Hyldgaard等人，2012年；Noshirvani，2024年）。向工业规模的转化受到实际加工条件下有限验证、经济考虑和不足的可扩展性评估的限制（Ribeiro-Santos等人，2017年；Rehman等人，2020年）。由于审批框架的多样性和EO混合物的复杂性，监管挑战依然存在，这些混合物通常与单一化合物的评估方法不同（表3）。需要进行全面的安全评估，包括毒理学评估、暴露分析和长期影响，以支持更广泛的采用（Jackson-Davis等人，2023年）。

表3. 基于EO的食品保存中的关键转化挑战及提出的解决方案
挑战 | 影响 | 提出的策略 | 参考文献
------|------|-------------|---------|--------| --------|-------|