机器学习揭示食物复杂性的三层结构

为何更聪明的食物很重要

每一口食物都隐藏着一个复杂的世界：成千上万看不见的分子、食材之间错综复杂的相互作用，以及每个人大脑对味觉与嗅觉反应的独特方式。本文解释了现代机器学习如何帮助科学家理清这种复杂性。通过将化学分析、工厂传感器，甚至脑成像联系起来，研究人员希望设计出更美味、更健康、更稳定的食品——并更好地匹配不同人群真正喜欢的口味。

探究食物隐藏的构成要素

在最基本的层面上，食物由数万种不同的化学物质构成。许多是微小的香气和味觉分子；其他一些影响营养、安全性或保质期。只有一小部分化学物质被深入研究过，因此科学家通常不知道哪些成分造就了特定的风味或健康效应。机器学习通过发现分子结构与其行为之间的模式来弥补这些空白。算法可在已知数据上训练，以预测新分子是否可能尝起来甜或苦、闻起来果香或烟熏，或是否会以有利或有害的方式与人体受体相互作用。将分子视为原子网络的深度学习模型尤其强大，能揭示那些人工难以捕捉的结构—风味关联。

配料如何协同作用

食物很少表现为组成部分的简单相加。糖、酸、脂肪和香气可以相互放大或掩盖，改变质地、香气释放和风味平衡。为研究这些相互作用，科学家使用气相色谱、液相色谱或离子迁移谱等仪器收集食物的详细“指纹”，这些仪器可以分离并检测复杂的化学混合物。电子鼻和电子舌更进一步，使用传感器阵列捕获样品的整体气味或味觉模式。将这些丰富的信号输入机器学习模型，使研究者能够更快、更客观地对产品质量进行分类、检测变质或欺诈，并估算风味轮廓，而不必完全依赖传统的感官评估小组。数据融合方法随后将多种来源——化学指纹、传感器信号、彩色图像和基本成分——合并为统一模型，更好地捕捉配料之间的协同作用。

大脑如何体验风味

食物的旅程并不止于舌头；它延续到大脑。由于基因、文化和过往经验的差异，人们对相同食物的感受差异很大。新的脑成像工具，如脑电图（EEG）、功能近红外光谱和功能性磁共振成像，可以追踪人们在品尝或嗅闻某物时大脑不同区域的反应。基于这些信号训练的机器学习模型可以区分甜、酸或鲜等基本味道，识别特定气味，甚至估计某人对一种气味的愉悦度。通过将像 EEG 这样的快速方法与能显示脑活动发生位置的成像结合，研究人员开始构建更丰富的、个性化的风味感知地图。

将多种数据流汇聚在一起

由于没有单一方法能捕捉食物的每个方面，文章强调融合多种数据类型的重要性。一端是列出营养成分、添加剂和香气化合物的分子数据库；中间是来自实验室仪器和智能传感器的整食品测量；另一端是以人为中心的数据，如品尝记录、消费者评论和大脑信号。数据融合策略在不同阶段将这些片段连接起来：原始信号可早期合并、提取的特征可在中期结合，或在决策阶段将独立模型混合。当在共同规则下对这些多模态数据集进行仔细清洗、标准化和共享时，机器学习系统便能够将食物中所含、加工方式以及最终的食用体验联系起来。

这对未来餐食意味着什么

作者总结认为，机器学习为从分子到大脑理解食物提供了一套新工具。简单来说，它可以帮助科学家在花费数月在厨房或试验工厂试验之前，预测哪种配料组合会美味、安全且稳定。它还可以将来自仪器和传感器的客观测量与不同食客的主观体验联系起来，指导更具包容性和个性化的食品设计。要充分实现这一愿景，该领域需要更大且组织更好的数据库、更易解释的模型，以及食品科学家、化学家、数据科学家和神经科学家之间更紧密的合作。如果这些目标得以实现，未来的食品开发将更快、更贴近个人偏好与健康需求，并且比以往更可靠地被评判。

引用: Ke, Q., Zhang, J., Huang, X. et al. Machine learning unveils three layers of food complexity. npj Sci Food 10, 87 (2026). https://doi.org/10.1038/s41538-026-00730-w

关键词: 食品科学中的机器学习, 食物风味预测, 电子鼻与电子舌, 大脑对味觉的反应, 多模态食物数据