通过多数据融合与机器学习方法追踪石栎（Lithocarpus litseifolius）的产地与栽培实践

为何一种新型甜茶重要

由石栎（Lithocarpus litseifolius）叶制成的甜茶在中国正迅速流行，既作为健康饮品，也作为天然低热量的甜味剂。其叶片含有强效的植物化合物，甜度可达蔗糖的数百倍但几乎不增加热量，并可能有助于保护肝脏和支持血糖控制。然而，随着需求猛增，问题随之而来：这些叶子究竟来自哪里？如何种植？消费者能否信任标签与杯中内容一致？本研究结合化学分析与人工智能，构建了一种科学的“指纹”，以回答这些问题。

一种特殊树木背后的故事

石栎，常被称为“甜茶”，在中国部分地区作为饮品和传统药用已有数百年历史。现代研究表明，其叶片富含二氢查耳酮类（dihydrochalcones）等天然甜味剂，如芙蓉苷（phloridzin）和三叶糖苷（trilobatin），其甜度约为蔗糖的300倍左右，而热量仅占极小部分。这些分子还具有抗氧化和潜在抗糖尿病作用，已促成临床试验并带来从茶饮到糖果的产品热潮。然而，产业扩张超过了监管速度：不同省份的农户在不同条件下种植甜茶，产地标签并不总是可靠，质量监管也不足。由此形成的供应链碎片化，使消费者和生产者难以确切知道自己得到的是什么。

解读产地的化学指纹

为理清这一混乱，研究人员从四个省份的七个主要甜茶产区采集了163份叶样。对每份样品，他们测量了三类广泛的信息。其一是22种功能性化合物，包括赋予风味与健康价值的甜味二氢查耳酮、有机酸和营养成分。其二是四种稳定同位素比率——碳、氮、氢和氧等元素的微小形式差异，反映长期气候、水源和耕作方式。其三是49种元素，从钾、镁等必需营养元素到与当地岩土相关的微量金属与稀土元素。整体而言，这些层次共同构建了每批叶片难以伪造的详细化学“护照”。

算法如何学会识别产地

单一类型的数据只能部分区分产区或栽培方式。例如，仅考虑风味相关化合物时，同省的一些野生与栽培样品可能看起来很相似。为克服这一点，团队采用了机器学习与数据融合——通过将多个线索结合，让计算机检测复杂模式的方法。他们测试了八种不同算法和若干数据合并方式，从简单地堆叠所有测量值到先提取最具信息量的特征再融合模型输出。最终发现，仅六个关键变量——咖啡因、一种植物甜味衍生物、铷（rubidium）、铈（cerium）、锶（strontium）三种元素以及氮的同位素信号——就足以让一组模型协同工作，在训练与测试中正确识别每一份样品的种植区域。

生长条件在叶片中留下的印记

除了追踪产地，研究还探究了为何不同产地的甜茶在外观与风味上有所差异。将这六个关键化学标志与当地气候和地理数据进行比对后，研究人员发现海拔、降水、日照和温度等因素强烈影响植物化学成分。例如，更寒冷干燥的地块往往促进咖啡因和某些甜味化合物的积累，这可能是植物对胁迫的应答。像锶和铈这样的元素模式反映更深层的地质历史，揭示植物是生长在由硅酸盐岩风化形成的红壤上，还是生长在由碳酸盐构成的喀斯特地貌上。氮同位素信号则随农户施肥频率变化，暗示栽培实践如何开启或抑制植物合成有价值甜味成分的能力。

从可信标签到更智能的耕作

通过将植物化学、土壤与水的指纹、气候记录与机器学习融为一体，这项工作提供了一套高度可靠的系统，用于验证甜茶的产地与栽培方式。对普通饮用者而言，这意味着更有力的保证：优质标签更可能真实反映产地与品质，而非巧妙包装。对种植者和监管者而言，关键标志与环境洞见指明了可提升目标甜味成分、同时维持低重金属含量与更可持续耕作的栽培策略。在实践层面，研究表明少量精心选择的测量即可保护消费者、奖励诚信生产者，并指引这种异常甜美树种的未来发展。

引用: Tang, Y., Yu, P., Xiong, F. et al. Tracing origin and cultivation practice of Lithocarpus litseifolius via multi-data fusion and machine learning approaches. npj Sci Food 10, 105 (2026). https://doi.org/10.1038/s41538-026-00748-0

关键词: 甜茶, 食品可追溯性, 机器学习, 植物化学, 地理产地