CN109991325A - 基于代谢组学数据融合和人工神经网络的食品品质的评价方法及其应用 - Google Patents

基于代谢组学数据融合和人工神经网络的食品品质的评价方法及其应用 Download PDF

Info

Publication number
CN109991325A
CN109991325A CN201910171435.5A CN201910171435A CN109991325A CN 109991325 A CN109991325 A CN 109991325A CN 201910171435 A CN201910171435 A CN 201910171435A CN 109991325 A CN109991325 A CN 109991325A
Authority
CN
China
Prior art keywords
food
metabolin
principal component
acid
quality
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN201910171435.5A
Other languages
English (en)
Other versions
CN109991325B (zh
Inventor
张峰
刘建
国伟
杨敏莉
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Chinese Academy of Inspection and Quarantine CAIQ
Original Assignee
Chinese Academy of Inspection and Quarantine CAIQ
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Chinese Academy of Inspection and Quarantine CAIQ filed Critical Chinese Academy of Inspection and Quarantine CAIQ
Priority to CN201910171435.5A priority Critical patent/CN109991325B/zh
Publication of CN109991325A publication Critical patent/CN109991325A/zh
Application granted granted Critical
Publication of CN109991325B publication Critical patent/CN109991325B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N30/00—Investigating or analysing materials by separation into components using adsorption, absorption or similar phenomena or using ion-exchange, e.g. chromatography or field flow fractionation
    • G01N30/02—Column chromatography
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N30/00—Investigating or analysing materials by separation into components using adsorption, absorption or similar phenomena or using ion-exchange, e.g. chromatography or field flow fractionation
    • G01N30/02—Column chromatography
    • G01N30/04—Preparation or injection of sample to be analysed
    • G01N30/06—Preparation
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N30/00—Investigating or analysing materials by separation into components using adsorption, absorption or similar phenomena or using ion-exchange, e.g. chromatography or field flow fractionation
    • G01N30/02—Column chromatography
    • G01N2030/022—Column chromatography characterised by the kind of separation mechanism
    • G01N2030/027—Liquid chromatography
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N30/00—Investigating or analysing materials by separation into components using adsorption, absorption or similar phenomena or using ion-exchange, e.g. chromatography or field flow fractionation
    • G01N30/02—Column chromatography
    • G01N30/04—Preparation or injection of sample to be analysed
    • G01N30/06—Preparation
    • G01N2030/062—Preparation extracting sample from raw material

Landscapes

  • Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • General Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Other Investigation Or Analysis Of Materials By Electrical Means (AREA)

Abstract

本发明公开了食品品质的评价方法及其应用。其中，食品品质的评价方法是基于代谢组学和人工神经网络模型进行的，所述人工神经网络模型包括：输入层，所述输入层含有若干输入参数，所述输入参数含有至少一个食品代谢物的含量参数，所述食品代谢物的含量参数是基于代谢组学数据融合得到的；隐含层；和输出层，所述输出层含有若干输出参数，所述输出参数含有至少一个食品感官得分。该方法将食品的代谢组学关键指标作为输入层，食品的感官评分作为输出层，建立基于人工神经网络的食品的品质评价模型，无需数学公式或权重,方法简单，并且评价方法客观、全面、科学，易于应用和推广。

Description

基于代谢组学数据融合和人工神经网络的食品品质的评价方 法及其应用
技术领域
本发明涉及分析化学领域，具体地，涉及食品品质的评价方法和电子设备。
背景技术
目前，国内食品的评价方法仍然是以传统的感官评价为主，结果易受主观性影响，评定 人员的从业经验、个人喜好、地区差异、嗅觉疲劳等因素都会直接影响到对食品品质的评审 结果。因此，研究对食品品质的科学、客观、准确的评价方法，对食品品质做出合理的评价 模型和体系，对于促进我国食品产业的标准化生产、结构调整和健康快速发展等具有重要意 义。
发明内容
本发明旨在至少解决现有技术中存在的技术问题之一。为此，本发明的一个目的在于提 出一种食品品质的评价方法，该方法将食品的代谢组学数据进行融合，筛选出关键指标作为 输入层，食品的感官评分作为输出层，建立基于人工神经网络的食品品质评价模型，方法简 单，并且评价方法全面科学。
需要说明的是，本发明是基于发明人的下列工作而完成的：
发明人使用代谢组学方法检测食品的代谢组成，代谢组学可以对食品的营养成分进行高 通量检测，检测到化合物数量越多，所代表的品质信息就越全面，后续关键品质指标的筛选 就会越精确。通常，食品的营养物质十分丰富，品质构成指标较多，各指标之间或存在一定 的相关性，发明人采用偏最小二乘法分析、方差分析、主成分分析以及相关性分析，得出影 响食品品质的关键指标，大大缩减了食品品质检测的工作量，具有快速、方便等特点，方便 后续的食品品质评价模型的建立，并且，基于人工神经网络的食品品质评价模型十分简便， 无需数学公式或权重。由此，该方法在食品品质评价等领域具有广阔的应用前景。
因而，根据本发明的一个方面，本发明提供了一种食品品质的评价方法。根据本发明的 实施例，所述方法是基于代谢组学和人工神经网络模型进行的，所述人工神经网络模型包括： 输入层，所述输入层含有若干输入参数，所述输入参数含有至少一个食品代谢物的含量参数， 所述食品代谢物的含量参数是基于代谢组学数据融合得到的；隐含层；和输出层，所述输出 层含有若干输出参数，所述输出参数含有至少一个食品感官得分。
根据本发明实施例的食品品质的评价方法，将食品的代谢组学数据进行融合，筛选出的 关键指标作为输入层，食品的感官评分作为输出层，建立基于人工神经网络的食品的品质评 价模型，无需数学公式或权重,方法简单，并且评价方法客观、全面、科学，易于应用和推 广。
另外，根据本发明上述实施例的食品品质的评价方法，还可以具有如下附加的技术特征：
根据本发明的实施例，所述食品为葱属植物性食品，优选地，为大蒜、洋葱、韭菜。
根据本发明的实施例，所述食品代谢物包括挥发性代谢物、初级代谢物和次级代谢物。
根据本发明的实施例，所述挥发性代谢物为含硫挥发性代谢物和不含硫挥发性代谢物， 所述初级代谢物为选自氨基酸、有机酸、糖和糖醇中的至少一种，所述次级代谢物为多酚。
根据本发明的实施例，所述食品代谢物为选自七类食品代谢物的至少一种，所述七类食 品代谢物包括：代表第一主成分的代谢物，所述代表第一主成分的代谢物包括维生素C、丙 烯、硫化丙烯、2-丙烯-1-醇、2-乙基噻吩、(Z)-苯甲醛肟、3-乙烯基-1,2-二硫代环己烯-4-烯、 二烯丙基三硫醚、3-乙烯基-1,2-二硫代环己烯-5-烯、丙酸、L-脯氨酸、辛酸、谷氨酸、L-天 门冬酰胺、L-赖氨酸；代表第二主成分的代谢物，所述代表第二主成分的代谢物包括食品的 明暗颜色值(L*值)、食品的红绿颜色值(a*值)、食品的黄蓝颜色值(b*值)、S-甲基-L-半 胱氨酸、二烯丙基硫醚、甲基丙烯基二硫醚、二甲基三硫醚、二烯丙基二硫醚、二烯丙基四 硫醚、鸟氨酸、D-果糖、肌醇、琥珀酰丙酮和蔗糖；代表第三主成分的代谢物，所述代表第 三主成分的代谢物包括1,3-丙二醇、L-丙氨酸、丝氨酸、L-苏氨酸、阿拉伯糖、羊毛硫氨酸 L-酪氨酸和L-高丝氨酸；代表第四主成分的代谢物，所述代表第四主成分的代谢物包括乙酰 羟肟酸乙酯；代表第五主成分的代谢物，所述代表第五主成分的代谢物包括异柠檬酸；代表 第六主成分的代谢物，所述代表第六主成分的代谢物包括木酮糖；代表第七主成分的代谢物， 所述代表第七主成分的代谢物包括D-葡萄糖和葡糖酸。
根据本发明的实施例，所述食品代谢物为选自维生素C、丙烯、2-丙烯-1-醇、L-脯氨酸、 辛酸、L-赖氨酸、食品的a*值、甲基丙烯基二硫醚、琥珀酰丙酮、1,3-丙二醇、L-丙氨酸、 丝氨酸、羊毛硫氨酸、乙酰羟肟酸乙酯、异柠檬酸、木酮糖、D-葡萄糖和葡糖酸的至少一种， 更优选地，为食品的a*值、L-丙氨酸、L-脯氨酸和葡糖酸的至少一种。
根据本发明的实施例，所述隐含层的最大循环次数400000-600000，学习速率0.5-0.9， 动量因子0.3-0.7，均方差目标1e-07。
根据本发明的实施例，所述隐含层到所述输出层的传递函数为 FANN_SIGMOID_SYMMETRIC，训练函数为FANN_TRAIN_RPROP。
根据本发明的实施例，所述食品感官得分为选自质地得分、口感得分、色泽得分和风味 得分的至少一种。
根据本发明的实施例，质地得分、口感得分、色泽得分和风味得分的权重比例为：(1-3): (2-4):(1-2)：(3-5)。
根据本发明的实施例，所述食品的所述次级代谢物的含量是利用HPLC-MS/MS进行检 测的。
根据本发明的实施例，所述HPLC-MS/MS的检测条件：色谱条件：Symbiosis液相色谱 仪；色谱柱：C18液相色谱柱；流动相：A-(0.05-0.2)％甲酸水溶液，B-(0.05-0.2)％甲酸的乙 腈；流速：0.5-1.5mL/min；柱温：20-40℃；洗脱程序：10-60％B(0-7min)；60-80％B(7-12 min)；60-20％B(12-15min)；15％B(15-17min)；质谱条件：6500型质谱系统，电喷雾 离子源(ESI)，多反应监测模式(MRM)，负离子模式(ESI-)扫描；气帘气(Curtain gas)：40psi；离子喷雾电压：4500V；辅助加热气温度(TEM)：550℃；雾化气(Gas1)：55psi； 辅助加热气(Gas 2)：55psi。
根据本发明的实施例，所述食品的所述挥发性代谢物和所述初级代谢物的含量是利用 GC/MS进行检测的。
根据本发明的实施例，所述GC/MS的检测条件：色谱条件：进样口温度250℃，分流比10:1；DB-5MS色谱柱；氦气流速1.5mL/min；升温程序如下：70℃保持2min，10℃/min 升温至300℃，300℃保持6min，310℃后运行4min，质谱条件：电子轰击源为EI源，70eV)， 全扫描方式；质谱仪四级杆和传输线温度设定为150℃，离子源温度为230℃；扫描质量范 围40-600m/z。根据本发明的实施例，所述输入参数为无量纲化处理的数据。
根据本发明的另一方面，本发明提供了一种电子设备。根据本发明的实施例，该电子设 备包括：处理器；以及存储器，在所述存储器中存储有计算机程序指令，所述计算机程序指 令在被所述处理器运行时使得所述处理器执行如前述的食品品质的评价方法。
根据本发明实施例的电子设备，将食品的代谢组学的关键指标作为输入层，食品的感官 评分作为输出层，建立基于人工神经网络的食品的品质评价模型，无需数学公式或权重，该 软件的计算方法简单，运算速度快，并且评价方法客观、全面、科学，易于应用和推广。此 外，需要说明的是，该电子设备的处理器执行如前述的食品品质的评价方法，具有前述食品 品质的评价方法的全部技术特征和技术效果，在此不再一一赘述。
本发明的附加方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明 显，或通过本发明的实践了解到。
附图说明
本发明的上述和/或附加的方面和优点从结合下面附图对实施例的描述中将变得明显和 容易理解，其中：
图1显示了根据本发明一个实施例的PLS-DA得分图和置换检验结果示意图，其中，n＝200；
图2显示了根据本发明一个实施例的神经网络模型预测得分验证结果示意图。
具体实施方式
下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或 类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的 实施例是示例性的，仅用于解释本发明，而不能理解为对本发明的限制。
在本发明的描述中，术语“纵向”、“横向”、“上”、“下”、“前”、“后”、“左”、“右”、 “竖直”、“水平”、“顶”、“底”等指示的方位或位置关系为基于附图所示的方位或位置关 系，仅是为了便于描述本发明而不是要求本发明必须以特定的方位构造和操作，因此不能理 解为对本发明的限制。
需要说明的是，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对 重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以 明示或者隐含地包括一个或者更多个该特征。进一步地，在本发明的描述中，除非另有说明， “多个”的含义是两个或两个以上。
因而，根据本发明的一个方面，本发明提供了一种食品品质的评价方法。根据本发明的 实施例，该方法是基于代谢组学和人工神经网络模型进行的，所述人工神经网络模型包括： 输入层，所述输入层含有若干输入参数，所述输入参数含有至少一个食品代谢物的含量参数， 所述食品代谢物的含量参数是基于代谢组学数据融合得到的；隐含层；和输出层，所述输出 层含有若干输出参数，所述输出参数含有至少一个食品感官得分。
根据本发明实施例的食品品质的评价方法，将食品的代谢组学数据进行融合，筛选出的 关键指标作为输入层，食品的感官评分作为输出层，建立基于人工神经网络的食品的品质评 价模型，无需数学公式或权重,方法简单，并且评价方法客观、全面、科学，易于应用和推 广。
目前对国内葱属植物性食品的品质评价方法仍然是以传统的感官评价为主，结果易受主 观性影响，评定人员的从业经验、个人喜好、地区差异、嗅觉疲劳等因素都会直接影响到对 大蒜品质的评审结果。本发明的实施例的方法可以适用于葱属植物性食品，尤其适用于大蒜、 洋葱、韭菜。由此，评价方法客观、全面、科学，克服了现有的以传统的感官评价为主的评 价方法主观性强的缺陷。
根据本发明的实施例，该食品代谢物包括挥发性代谢物、初级代谢物和次级代谢物，其 中，挥发性代谢物是食品代谢物的重要组成部分，是了解食品在生产过程中加工、包装、贮 存和运输等环节物质变化规律的窗口，也是影响食品风味的重要物质基础，一般情况下，挥 发性代谢物具有较强的挥发特性，且分子量较小，赋予食品独特的香气和风味；初级代谢物 是指生物在正常生长或培养过程中，通过新陈代谢产生的基本的、关键的中间代谢或最终代 谢产物，例如糖酵解中的丙酮酸和乳酸，三羧酸循环中的草酰乙酸和柠檬酸以及与此循环相 关的衍生产物，如谷氨酸、丙氨酸、苹果酸及丁烯二酸等氨基酸和有机酸等均属初级代谢产 物。总的来说，食品中的初级代谢物包括糖类、氨基酸、有机酸、脂肪等大分子物质，是食 品功能和营养的主要来源物质；次级代谢物大多是分子结构比较复杂的化合物，根据其作用， 可将其分为皂苷、多酚、生物碱等类型。相关研究表明，食品中的次级代谢物也具有多种生 理活性，如抗菌、抗氧化、抗肿瘤，及提高免疫力。
我国地域辽阔，大蒜品种资源丰富，不同产地的大蒜外观性状、理化营养品质和功能品 质等各有不同。而新鲜大蒜的品质好坏会直接影响到大蒜品种的选育、加工方式的选择和加 工产品的质量，所以对新鲜大蒜品质的评价显得尤为重要。在此，以大蒜为例，对该食品品 质的评价方法进行解释说明，其中，需要说明的是，所描述的实施例仅仅是本发明的一部分 实施例，而不是本发明的全部实施例，应理解，本发明不受这里描述的示例实施例的限制。
根据本发明的一些实施例，该挥发性代谢物为含硫挥发性代谢物和不含硫挥发性代谢 物，该初级代谢物为选自氨基酸、有机酸、糖和糖醇中的至少一种，该次级代谢物为多酚。 上述挥发性代谢物、初级代谢物和次级代谢物是大蒜代谢物的主要成分和营养物质，对大蒜 的品质有重要的影响。
根据本发明的实施例，该食品代谢物为选自七类食品代谢物的至少一种，所述七类食品 代谢物包括：代表第一主成分的代谢物，所述代表第一主成分的代谢物包括维生素C、丙烯、 硫化丙烯、2-丙烯-1-醇、2-乙基噻吩、(Z)-苯甲醛肟、3-乙烯基-1,2-二硫代环己烯-4-烯、二 烯丙基三硫醚、3-乙烯基-1,2-二硫代环己烯-5-烯、丙酸、L-脯氨酸、辛酸、谷氨酸、L-天门 冬酰胺、L-赖氨酸；代表第二主成分的代谢物，所述代表第二主成分的代谢物包括食品的明 暗颜色值(L*值)、食品的红绿颜色值(a*值)、食品的黄蓝颜色值(b*值)、S-甲基-L-半胱 氨酸、二烯丙基硫醚、甲基丙烯基二硫醚、二甲基三硫醚、二烯丙基二硫醚、二烯丙基四硫 醚、鸟氨酸、D-果糖、肌醇、琥珀酰丙酮和蔗糖；代表第三主成分的代谢物，所述代表第三 主成分的代谢物包括1,3-丙二醇、L-丙氨酸、丝氨酸、L-苏氨酸、阿拉伯糖、羊毛硫氨酸L- 酪氨酸和L-高丝氨酸；代表第四主成分的代谢物，所述代表第四主成分的代谢物包括乙酰 羟肟酸乙酯；代表第五主成分的代谢物，所述代表第五主成分的代谢物包括异柠檬酸；代表 第六主成分的代谢物，所述代表第六主成分的代谢物包括木酮糖；代表第七主成分的代谢物， 所述代表第七主成分的代谢物包括D-葡萄糖和葡糖酸。由此，通过主成分分析能将有相关 性的指标降维成几个相互独立的综合指标，但又能反映原来绝大多数的因素信息。发明人研 究发现，这7个主成分可以代表原来43个品质指标的绝大部分原始信息。
发明人通过对不同品种的大蒜进行比较，得到不同品种之间成分和含量差异明显的代谢 物，以这些代谢物的含量作为输入层的参数，可以更科学地对大蒜的品质进行评价。具体地， 根据本发明的实施例，该食品代谢物为选自维生素C、丙烯、2-丙烯-1-醇、L-脯氨酸、辛酸、 L-赖氨酸、食品的红绿颜色值(a*值)、甲基丙烯基二硫醚、琥珀酰丙酮、1,3-丙二醇、L-丙 氨酸、丝氨酸、羊毛硫氨酸、乙酰羟肟酸乙酯、异柠檬酸、木酮糖、D-葡萄糖和葡糖酸的至 少一种。发明人进一步分析这18个指标的相关性表明：a*值与维生素C、1,3-丙二醇、羊毛 硫氨酸、辛酸呈显著正相关，与D-葡萄糖、甲基丙烯基二硫醚、乙酰羟肟酸乙酯、L-赖氨 酸显著负相关；L-丙氨酸与丙烯，2-丙烯-1-醇、异柠檬酸显著负相关，与丝氨酸、琥珀酰丙 酮显著正相关；木酮糖与L-脯氨酸、辛酸、羊毛硫氨酸分别呈显著正相关。最终本试验选 择4项大蒜品质评价核心指标，分别为a*值、L-丙氨酸、L-脯氨酸和葡糖酸。
神经网络中隐含层起着至关重要的作用，所以选择优化隐含层的节点数非常关键。隐含 层节点数量太少，网络从样本获取的信息能力就差，不能体现训练集中的样本规律；隐含层 节点数量过多，不仅会增加网络训练时间，而且可能把样本中的噪声也学会记牢，从而出现 过度拟合问题，反而降低泛化能力。发明人根据食品代谢物，尤其是大蒜的代谢物确定了中 间层的参数，该隐含层的最大循环次数400000-600000，优选为500000，学习速率0.5-0.9， 优选为0.7，动量因子0.3-0.7，优选为0.5，均方差目标1e-07。由此，获取信息的能力强， 能体现大蒜代谢物的规律，网络训练的时间短，噪音干扰少，拟合效果好。根据本发明的实 施例，该隐含层到该输出层的传递函数为FANN_SIGMOID_SYMMETRIC，训练函数为FANN_TRAIN_RPROP。由此，人工神经网络模型的测试集准确率和训练集准确率效果最佳， 所得结果可靠。
根据本发明的实施例，该食品感官得分为选自质地得分、口感得分、色泽得分和风味得 分的至少一种。由此，对食品感官评分更全面。
根据本发明的实施例，质地得分、口感得分、色泽得分和风味得分的权重比例为：(1-3): (2-4):(1-2)：(3-5)。由此，质地、口感、色泽和风味权重适宜，对食品感官评分更全面、 科学和准确。
次级代谢物大部分是中性化合物，发明人发现这些化合物在HPLC-MS/MS上可以得到 更好的分离度和检测灵敏度，无需衍生化，无需升温，通过ESI离子源可以将化合物进行软 电离，基本涵盖了大部分重要的次级代谢物，包括生物碱、皂苷、酚酸、黄酮、糖苷类化合物。根据本发明的实施例，食品的次级代谢物的含量是利用HPLC-MS/MS进行检测的。由 此，该检测方法可以快速、准确地检测待测样品中的次级代谢物的含量。
根据本发明的实施例，该HPLC-MS/MS的检测条件：色谱条件：Symbiosis液相色谱仪； 色谱柱：C18液相色谱柱；流动相：A-(0.05-0.2)％甲酸水溶液，B-(0.05-0.2)％甲酸的乙腈； 流速：0.5-1.5mL/min；柱温：20-40℃；洗脱程序：10-60％B(0-7min)；60-80％B(7-12min)； 60-20％B(12-15min)；15％B(15-17min)；质谱条件：6500型质谱系统，电喷雾离子源 (ESI)，多反应监测模式(MRM)，负离子模式(ESI-)扫描；气帘气(Curtain gas)：40psi；离子喷雾电压：4500V；辅助加热气温度(TEM)：550℃；雾化气(Gas1)：55psi；辅助加 热气(Gas 2)：55psi。由此，根据代谢物的特点设置检测条件，检测的灵敏度和精确度高， 并且操作简单，检测时间短，仅需17分钟，大幅度降低整个分析流程。
发明人研究发现，采用固相微萃取(SPME)与气相色谱质谱(GC/MS)联用技术能将挥发性 代谢物萃取、富集和进样检测合为一体,提高了分析速度和分析方法的灵敏度,具有方法简单、 变异系数小、无需试剂、提取效果好等优点，GC/MS可以检测到较宽分子量范围的化合物， 包括有机酸、氨基酸、糖等，符合挥发性代谢物和初级代谢物中化合物分子量范围大的需要。 进而，根据本发明的实施例，该食品的挥发性代谢物和初级代谢物的含量是利用GC/MS进 行检测的。
根据本发明的实施例，该GC/MS的检测条件：色谱条件：进样口温度200-300℃，优选地，为250℃，分流比8-12:1，优选地，为10:1；DB-5MS色谱柱；氦气流速为1-2mL/min， 优选地，为1.5mL/min；升温程序如下：60-80℃保持1-3min，8-12℃/min升温至250-350℃，250-350℃保持4-8min，300-320℃后运行3-5min，优选地，可以为70℃保持2min，10℃ /min升温至300℃，300℃保持6min，310℃后运行4min，质谱条件：电子轰击源为EI源， 70eV，全扫描方式；质谱仪四级杆和传输线温度设定为100-200℃，优选地，为150℃， 离子源温度为200-250℃，优选地，为230℃；扫描质量范围40-600m/z。由此，分析速度 快，灵敏度和精确度高，并且方法简单、变异系数小、无需试剂、提取效果好。
根据本发明的实施例，所述输入参数为无量纲化处理的数据。由此，不同单位和量级的 数据可以相互比较，消除量纲对数据融合的干扰。
根据本发明的另一方面，本发明提供了一种电子设备。根据本发明的实施例，该电子设 备包括：处理器；以及存储器，在所述存储器中存储有计算机程序指令，所述计算机程序指 令在被所述处理器运行时使得所述处理器执行如前述的食品品质的评价方法。
根据本发明实施例的电子设备，将食品的代谢组学的关键指标作为输入层，食品的感官 评分作为输出层，建立基于人工神经网络的大蒜品质评价模型，无需数学公式或权重，该软 件的计算方法简单，运算速度快，并且评价方法客观、全面、科学，易于应用和推广。此外， 需要说明的是，该电子设备的处理器执行如前述的食品品质的评价方法，具有前述食品品质 的评价方法的全部技术特征和技术效果，在此不再一一赘述。
下面参考具体实施例，对本发明进行说明，需要说明的是，这些实施例仅仅是说明性的， 而不能理解为对本发明的限制。
下面将结合实施例对本发明的方案进行解释。本领域技术人员将会理解，下面的实施例 仅用于说明本发明，而不应视为限定本发明的范围。实施例中未注明具体技术或条件的，按 照本领域内的文献所描述的技术或条件或者按照产品说明书进行。所用试剂或仪器未注明生 产厂商者，均为可以通过市购获得的常规产品，例如可以采购自Sigma公司。
实施例1
本实施例中，选取四个不同产地的(山东、江苏、河南及云南)的种植点采集28种大蒜样品，进行代谢组学分析。首先对大蒜中的挥发性代谢物进行GC/MS检测，其方法如下：
1、代谢物检测
1.1挥发性代谢物的检测
1.1.1、挥发性代谢物的样品制备：
首先将大蒜样品在匀质器中充分匀质，快速称取2g样品，放置于20ml进样瓶中，并加入20μl 2-辛醇(0.2mg/ml)，旋紧瓶盖。将进样瓶放置于CTC自动进样器上，进样瓶在 40℃保持10min，自动插入固相微萃取头，于进样瓶上方进行挥发性代谢物的吸附，40℃ 吸附40min，期间持续振摇。然后，固相微萃取头插入气相色谱仪进样口，解吸附5min， 每个样品重复测定6次，取平均值。
1.1.2、采用GC/MS检测条件
色谱条件：进样口温度250℃，分流比5:1。色谱柱为安捷伦公司HP-Innowax(60m×0.25 mm×0.25μm)，氦气流速1.0ml/min，柱温箱升温程序如下：40℃保持3min，5℃/min升温至240℃，240℃保持5min，300℃后运行1min。
质谱条件：电子轰击源(EI源，70eV)，全扫描方式，四级杆和传输线温度为150℃，离子源温度是230℃，扫描质量范围40-500m/z。
1.2初级代谢物检测
本实施例中，对大蒜中的初级代谢物进行GC/MS检测，其方法如下：
1.2.1、样品制备：
称取100mg大蒜冻干样品，加入1400μL无水甲醇(-20℃预冷)和60μL核糖醇水溶液(内标，0.2mg/ml)。样品充分混匀，超声10min(30Hz)，然后将样品瓶放置于70℃烘 箱，950r.p.m，震荡10min。用冷冻离心机离心15min(11000g,4℃)，取上清液转移至新的 样品瓶，加入750μL氯仿和1,500μL的蒸馏水，混匀10s。然后离心，取上清液过0.2μm 的PTFE滤膜(聚四氟乙烯)，150μL滤液用真空浓缩器干燥。干燥后的样品加入40μL甲 氧胺盐酸盐吡啶溶液(20mg/mL)，37℃，肟化处理90min。最后加入70μL MSTFA，于37℃ 硅烷衍生化30min，衍生化后，进样1μL，每个样品重复测定6次，取平均值。
1.2.2、采用GC/MS检测条件
色谱条件：进样口温度250℃，分流比10:1。安捷伦DB-5MS色谱柱(30m×0.25mm×0.25)，氦气流速1.5mL/min。升温程序如下：70℃保持2min，10℃/min升温至300℃，300℃保持6min，310℃后运行4min。
质谱条件：电子轰击源(EI源，70eV)，全扫描方式，质谱仪四级杆和传输线温度设定 为150℃，离子源温度为230℃，扫描质量范围40-600m/z。
1.3、次级代谢物检测
本实施例中，对大蒜中的次级代谢物进行GC/MS检测，其方法如下：
1.3.1、样品制备：
称取大蒜样品5g，加入50ml 50％甲醇溶液，充分匀浆2min，超声提取30min(20KHz， 450W，40℃水浴)，离心10min，上清液过0.45μm滤膜，得待测液，每个样品测定3次，取三次平均值。
1.3.2、采用HPLC-MS/MS检测条件
色谱条件：荷兰Spark公司Symbiosis液相色谱仪；
色谱柱：安捷伦ZORBAX SB-C18液相色谱柱(150mm×4.6mm,5μm)；
流动相：A-0.1％甲酸水溶液，B-0.1％甲酸的乙腈。
流速：0.8mL/min；柱温：30℃；进样量：10μL；
洗脱程序：10-60％B(0-7min)；60-80％B(7-12min)；60-20％B(12-15min)；15％B(15-17min)；其中进样量为10μL，16种目标物于17min之内分析完成；
质谱条件：美国AB SCIEX6500系统，电喷雾离子源(ESI)，多反应监测模式(MRM)，负离子模式(ESI-)扫描；气帘气(Curtain gas)：40psi；离子喷雾电压：4500 V；辅助加热气温度(TEM)：550℃；雾化气(Gas1)：55psi；辅助加热气(Gas 2)：55psi； 本实施例共检测出16种次级代谢物，如表1所示。表1 16种次级代谢物的参数信息
2、数据分析
本实施例中，对大蒜中的挥发性代谢物、初级代谢物和次级代谢物进行定性和定量分析， 其方法如下：
挥发性代谢物和初级代谢物原始数据导入至MetAlign软件(http://www.metalign.nl)，转 换为NetCDF格式，然后将图谱数据进行基线矫正，峰对齐等预处理。挥发性代谢物通过与 NIST库(http://www.nist.gov)比对进行确认；初级代谢物通过NIST库和Golm Metabolome数 据库(http://www.csbdb.mpimp-Golm.mpg.de/csbdb/gmd/home/gmd_sm.html)共同比对确认。 利用C7-C30正构烷烃估算代谢物的保留指数，辅助化合物定性，结果详见图1。
通过保留时间和母离子、子离子的质荷比双重定性，即如果样品中检测出的化合物与标 准品的母离子质荷比相同，定性离子和定量离子也相同，同时总离子流图的出峰时间相一致， 则可以认为该大蒜样品中存在相应的次级代谢物。采用外标法对实际样品进行定量测定，即 配制一系列不同梯度的标准品混合液，测定不同浓度下每种次级代谢物的峰面积并绘制浓度 -峰面积标准曲线，通过标准曲线来对大蒜样品中的次级代谢物进行定量分析。
本实施例中还同时检测了4种含硫氨基酸、大蒜素、维生素C、还原糖、硬度、含水量、L*值、a*值和b*值等品质指标。
3、感官评价
本实施例的大蒜感官评价方法为常规方法，挑选12位经培训合格的食品专业人员作为 此次感官评定的评审员，每个品种大蒜重复评定三次，每一项感官指标去掉一个最大值，一 个最小值，计算其余数据的平均值，代入感官评价公式记得感官评分。选取蒜肉质地、口感、 色泽和风味为感官评价指标，并判断评审员对各品质的反应情况，参考相关专家意见，对蒜 肉质地、口感、色泽和风味分别赋予权重为：0.2，0.35，0.1，0.35，感官评分公式为：得分 ＝0.2×蒜肉质地+0.35×口感+0.1×色泽+0.35×风味。评价标准如表2。每个大蒜样品经评审人 员直接品尝后进行打分，满分100分。
表2新鲜大蒜感官评定标准
4、检测结果分析
4.1、品质指标数据融合及差异指标的初步筛选
本实施例一共鉴定了25种挥发性代谢物，39种初级代谢物。此外，我们还测定了12种多酚、4种含硫氨基酸、大蒜素、维生素C、还原糖、硬度、含水量、L*值、a*值和b*值 等品质指标。
将89项品质指标进行数据初级融合，实现不同仪器间的互补，获得更全面、可靠的数 据。数据融合前需要对所有数据进行归一化处理，数据归一化处理是把有量纲的数据变为无 量纲形式，目的是为了不同单位和量级的数据可以相互比较，消除量纲对数据融合的干扰。 这里我们采用的是Z-score标准化(zero-mean normalization)，即将原始数据减去平均值，然 后除以标准差，经过这样变换的数据符合标准正态分布，即均值为0，标准差为1。通过 SIMCA-P+软件(版本13.0)进行偏最小二乘法分析(PLS-DA)，作为一种有监督的多元统计 分析方法，PLS-DA是代谢组学常用的分析方法之一。本研究所建立的PLS-DA模型选择了 前三个主成分，模型参数R2(X)＝0.583，R2(Y)＝0.969，Q2＝0.948，表明该模型效果较好。 PLS-DA模型质量需要置换试验(n＝200)进行内部验证，说明两个模型没有过拟合，质量较好。 同一产地的大蒜样品化合物组成和浓度比较相近，而不同产地的大蒜样品差异比较明显。山 东大蒜(SD1-7)和云南大蒜(YN1-7)，相较于其它两个产地的大蒜样品差别较大，样品点 距离较远；河南和江苏产地的大蒜样品点聚集在一起，表明这两个产地的大蒜品质比较相似。
本实施例中VIP值大于1的化合物是对样品分组产生重要影响的化合物，筛出的VIP>1 的品质指标如表3所示。将89个品质指标经过数据初级融合和PLS-DA分析，共初步筛选 出43个差异性品质指标。经T检验，以上筛选指标全部p值<0.05。
表3筛选指标及VIP值
注：X1-X43分别代表：L*值、a*值、b*值、维生素C(ug/g)、S-甲基-L-半胱氨酸(ug/g)、槲皮苷(ug/g)、 丙烯、硫化丙烯、2-丙烯-1-醇、二烯丙基硫醚、2-乙基噻吩、甲基丙烯基二硫醚、二甲基三硫醚、二烯丙 基二硫醚、二烯丙基四硫醚、(Z)-苯甲醛肟、3-乙烯基-1,2-二硫代环己烯-4-烯、二烯丙基三硫醚、3-乙烯 基-1,2-二硫代环己烯-5-烯、丙酸、1,3-丙二醇、L-丙氨酸、乙酰羟肟酸乙酯、丝氨酸、L-苏氨酸、L-脯氨 酸、辛酸、木酮糖、鸟氨酸、谷氨酸、阿拉伯糖、L-天门冬酰胺、羊毛硫氨酸、L-酪氨酸、异柠檬酸、 D-果糖、D-葡萄糖、L-赖氨酸、葡糖酸、L-高丝氨酸、肌醇、琥珀酰丙酮和蔗糖。
4.2差异品质指标的数据分布
43个差异性品质指标的部分数据结果如表4示，不同品种的大蒜品质之间存在不同程 度的差异，其中L*值代表新鲜大蒜蒜泥的明暗度，数值偏大，说明样品偏亮；如果数值偏 小，说明偏暗。L*值的变异系数最小，只有1.83％，表明该指标实际对大蒜的品质的贡献不 大。除蔗糖外，其余指标的变异系数都超过了10％，葡糖酸的变异系数最大，达到了93.06％。 整体来看，不同品种大蒜样品间比较显著的品质指标主要包括部分特征硫化物，氨基酸和糖。
表4部分品质指标的数据分布
4.3、品质指标的主成分分析
测定43个品质指标仍然比较繁琐，本研究的目的是以少量核心评价指标反映大部分原 始数据的信息，所以我们对需要对这43个品质指标进一步筛选。利用SPSS 22.0对以上43 个品质指标进行主成分分析，主成分分析能将有相关性的指标降维成几个相互独立的综合指 标，但又能反映原来绝大多数的因素信息。首先得出评价指标的特征值矩阵，结果见表5， 分的重要程度大小主要根据方差贡献率的大小来判断，由表5知，第1个主成分特征根12.83， 方差贡献率29.84％，即第1个主成分反映样品29.84％的信息；第2个主成分特征根为11.48， 方差贡献率为26.70％，即第2个主成分反映样品26.70％的信息；以此类推，前7个主成分 累计方差贡献率为83.86％，特征根全部大于1，表明前7个主成分可以代表原来43个品质 指标的绝大部分原始信息。
表5主成分分析的特征值和累积方差贡献率
旋转处理主成分分析中提取的主成分因子，以获得具有较高载荷值因子的变量，根据载 荷值的大小，可以判断变量在主成分中的重要程度，结果见表6。
表6主成分旋转成分矩阵部分结果
由各品质指标在7个主成分中的载荷可知(见表6)：第一主成分主要代表维生素C、丙 烯、硫化丙烯、2-丙烯-1-醇、2-乙基噻吩、(Z)-苯甲醛肟、3-乙烯基-1,2-二硫代环己烯-4-烯、 二烯丙基三硫醚、3-乙烯基-1,2-二硫代环己烯-5-烯、丙酸、L-脯氨酸、辛酸、谷氨酸、L-天 门冬酰胺、L-赖氨酸；第二主成分主要代表大蒜L*值、a*值、b*值、S-甲基-L-半胱氨酸、二 烯丙基硫醚、甲基丙烯基二硫醚、二甲基三硫醚、二烯丙基二硫醚、二烯丙基四硫醚、鸟氨 酸、D-果糖、肌醇、琥珀酰丙酮、蔗糖的信息：第三主成分主要代表1,3-丙二醇、L-丙氨酸、 丝氨酸、L-苏氨酸、阿拉伯糖、羊毛硫氨酸L-酪氨酸、L-高丝氨酸的信息；第四主成分主要 代表乙酰羟肟酸乙酯；第五主成分主耍代表异柠檬酸信息；第六主成分代表木酮糖，第七主 成分代表D-葡萄糖、葡糖酸。
4.4、差异品质指标的相关性分析
为获得各个品质指标的相关程度大小，并为新鲜大蒜品质指标的选择提供依据，对43 项品质指标进行相关性分析，即通过测定部分指标，就可以得到与之相关的指标变化。甲基 丙烯基二硫醚、二甲基三硫醚、二烯丙基二硫醚、二烯丙基四硫醚是大蒜素的主要降解化合 物，根据本研究结果，它们两两之间均是显著正相关关系(P<0.05)，可以用其中一种化合 物代表其它几种化合物的变化。综上，新鲜大蒜的品质指标间存在一定的关联性，容易造成 提供的信息重叠，所以将43个品质指标进行归类和简化，降维成几个相互独立的指标。
表7 43项品质指标相关性分析部分结果
4.5、核心品质评价指标的筛选
根据主成分分析结果，第一主成分主要综合了15个指标，分别为维生素C、丙烯、硫化丙烯、2-丙烯-1-醇、2-乙基噻吩、(Z)-苯甲醛肟、3-乙烯基-1,2-二硫代环己烯-4-烯、二烯 丙基三硫醚、3-乙烯基-1,2-二硫代环己烯-5-烯、丙酸、L-脯氨酸、辛酸、谷氨酸、L-天门冬 酰胺、L-赖氨酸，15个变量的变异系数分别为：29.30％、20.50％、22.70％、42.61％、25.03％、 24.81％、29.48％、21.65％，25.98％、12.00％、31.13％、49.00％、36.03％、66.50％和21.29％。 维生素C和丙酸呈显著正相关，与谷氨酸呈显著负相关，可以用维生素C代替丙酸和谷氨 酸。丙烯与硫化丙烯、2-乙基噻吩、(Z)-苯甲醛肟、3-乙烯基-1,2-二硫代环己烯-4-烯、二烯 丙基三硫醚、3-乙烯基-1,2-二硫代环己烯-5-烯呈显著正相关，丙烯与L-天门冬酰胺呈显著负 相关，初步考虑选择维生素C、丙烯、2-丙烯-1-醇、L-脯氨酸、辛酸、L-赖氨酸代表第一主 成分，再综合其他分析确定代表指标。
依此类推，综合分析初步选择的18个指标包括维生素C、丙烯、2-丙烯-1-醇、L-脯氨 酸、辛酸、L-赖氨酸、a*值、甲基丙烯基二硫醚、琥珀酰丙酮、1,3-丙二醇、L-丙氨酸、丝氨酸、羊毛硫氨酸、乙酰羟肟酸乙酯、异柠檬酸、木酮糖、D-葡萄糖和葡糖酸。进一步分析 这18个指标的相关性表明：a*值与维生素C、1,3-丙二醇、羊毛硫氨酸、辛酸呈显著正相关， 与D-葡萄糖、甲基丙烯基二硫醚、乙酰羟肟酸乙酯、L-赖氨酸显著负相关；L-丙氨酸与丙 烯，2-丙烯-1-醇、异柠檬酸显著负相关，与丝氨酸、琥珀酰丙酮显著正相关；木酮糖与L- 脯氨酸、辛酸、羊毛硫氨酸分别呈显著正相关。最终本试验选择4项大蒜品质评价核心指标， 分别为a*值、L-丙氨酸、L-脯氨酸和葡糖酸。
4.6、大蒜品质评价模型的建立与验证
BP(Back Propagation)神经网络主要包括输入层、隐含层、输出层3个部分，本研究 使用三层神经网络结构，将4项大蒜品质核心指标无量纲化处理的数据作为输入层，感官得 分作为输出层。本研究28个大蒜样品的品质指标测定，以及对应的感官评定皆重复三次， 所以共获得84组数据。选择60组数据作为学习样本进行BP网络学习训练，剩下24组数据作为预测样本检验模型的准确性。部分学习样本矩阵如表8。BP神经网络中隐含层起着至关重要的作用，所以选择优化隐含层的节点数非常关键。隐含层节点数量太少，网络从样本获取的信息能力就差，不能体现训练集中的样本规律；隐含层节点数量过多，不仅会增加网络训练时间，而且可能把样本中的噪声也学会记牢，从而出现过度拟合问题，反而降低泛化能力。本实施例确定了隐含层节点数为6，其余各训练参数选择如下：最大循环次数500000，学习速率0.7，动量因子0.5，均方差目标1e-07，输入层到隐含层的传递函数为FANN_SIGMOID_SYMMETRIC，隐含层到输出的传递函数为 FANN_SIGMOID_SYMMETRIC，训练函数为FANN_TRAIN_RPROP。
表8部分学习样本矩阵
表10说明BP神经网络模型对大蒜品质的预测结果，与感官评定的结果基本一致，从 而建立起大蒜品质核心指标与相应品质得分的对应关系，实现对大蒜品质得分的预测。使用24组数据对所建立的BP神经网络模型进行验证，即将感官评分与BP神经网络模型预测得 分进行回归拟合分析，结果如图2所示，得到两者线性关系：y＝1.3353x–22.681,R2＝0.9603， 结果说明模型预测得分与感官评分的拟合度较高，利用该模型对大蒜进行品质评价是可行 的。
表10 BP神经网络预测结果
由分析结果可以得出，本发明利用基于代谢组学数据融合的方法，共融合了89项大蒜 品质指标，经过PLS-DA分析、方差分析、变异系数分析、主成分分析和相关性分析，共筛 选出4项大蒜品质评价核心指标，分别为a*值、L-丙氨酸、L-脯氨酸、葡糖酸。建立了通过4项核心品质指标预测大蒜品质得分的BP神经网络模型。将感官评分与BP神经网络模型 预测得分进行回归拟合分析，如图2所示，R2＝0.9603，说明利用该模型对大蒜的品质优劣 可以进行合理评价。
综上所述，根据本发明实施例的食品品质的评价方法，将食品的代谢组学数据进行融合， 筛选出的关键指标作为输入层，食品的感官评分作为输出层，建立基于人工神经网络的食品 品质评价模型，无需数学公式或权重,方法简单，并且评价方法客观、全面、科学，易于应 用和推广，为食品的品质评价提供一种新的手段。
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、 或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包 含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指 的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个 或多个实施例或示例中以合适的方式结合。
尽管已经示出和描述了本发明的实施例，本领域的普通技术人员可以理解：在不脱离本 发明的原理和宗旨的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的 范围由权利要求及其等同物限定。

Claims (10)

1.一种食品品质的评价方法，其特征在于，所述方法是基于代谢组学和人工神经网络模型进行的，所述人工神经网络模型包括：
输入层，所述输入层含有若干输入参数，所述输入参数含有至少一个食品代谢物的含量参数，所述食品代谢物的含量参数是基于代谢组学数据融合得到的；
隐含层；和
输出层，所述输出层含有若干输出参数，所述输出参数含有至少一个食品感官得分。
2.根据权利要求1所述的方法，其特征在于，所述食品为葱属植物性食品，优选地，为大蒜、洋葱、韭菜。
3.根据权利要求2所述的方法，其特征在于，所述食品代谢物包括挥发性代谢物、初级代谢物和次级代谢物。
4.根据权利要求2所述的方法，其特征在于，所述挥发性代谢物为含硫挥发性代谢物和不含硫挥发性代谢物，所述初级代谢物为选自氨基酸、有机酸、糖和糖醇中的至少一种，所述次级代谢物为多酚。
5.根据权利要求3所述的方法，其特征在于，所述食品代谢物为选自七类食品代谢物的至少一种，所述七类食品代谢物包括：
代表第一主成分的代谢物，所述代表第一主成分的代谢物包括维生素C、丙烯、硫化丙烯、2-丙烯-1-醇、2-乙基噻吩、(Z)-苯甲醛肟、3-乙烯基-1,2-二硫代环己烯-4-烯、二烯丙基三硫醚、3-乙烯基-1,2-二硫代环己烯-5-烯、丙酸、L-脯氨酸、辛酸、谷氨酸、L-天门冬酰胺、L-赖氨酸；
代表第二主成分的代谢物，所述代表第二主成分的代谢物包括食品的明暗颜色值(L*值)、食品的红绿颜色值(a*值)、食品的黄蓝颜色值(b*值)、S-甲基-L-半胱氨酸、二烯丙基硫醚、甲基丙烯基二硫醚、二甲基三硫醚、二烯丙基二硫醚、二烯丙基四硫醚、鸟氨酸、D-果糖、肌醇、琥珀酰丙酮和蔗糖；
代表第三主成分的代谢物，所述代表第三主成分的代谢物包括1,3-丙二醇、L-丙氨酸、丝氨酸、L-苏氨酸、阿拉伯糖、羊毛硫氨酸L-酪氨酸和L-高丝氨酸；
代表第四主成分的代谢物，所述代表第四主成分的代谢物包括乙酰羟肟酸乙酯；
代表第五主成分的代谢物，所述代表第五主成分的代谢物包括异柠檬酸；
代表第六主成分的代谢物，所述代表第六主成分的代谢物包括木酮糖；
代表第七主成分的代谢物，所述代表第七主成分的代谢物包括D-葡萄糖和葡糖酸，
优选地，所述食品代谢物为选自维生素C、丙烯、2-丙烯-1-醇、L-脯氨酸、辛酸、L-赖氨酸、食品的红绿颜色值(a*值)、甲基丙烯基二硫醚、琥珀酰丙酮、1,3-丙二醇、L-丙氨酸、丝氨酸、羊毛硫氨酸、乙酰羟肟酸乙酯、异柠檬酸、木酮糖、D-葡萄糖和葡糖酸的至少一种，更优选地，为食品的红绿颜色值(a*值)、L-丙氨酸、L-脯氨酸和葡糖酸的至少一种。
6.根据权利要求1所述的方法，其特征在于，所述隐含层的最大循环次数400000-600000，学习速率0.5-0.9，动量因子0.3-0.7，均方差目标1e-07，
任选地，所述隐含层到所述输出层的传递函数为FANN_SIGMOID_SYMMETRIC，训练函数为FANN_TRAIN_RPROP。
7.根据权利要求2所述的方法，其特征在于，所述食品感官得分为选自质地得分、口感得分、色泽得分和风味得分的至少一种，
任选地，质地得分、口感得分、色泽得分和风味得分的权重比例为：(1-3):(2-4):(1-2)：(3-5)。
8.根据权利要求1所述的方法，其特征在于，所述食品的所述次级代谢物的含量是利用HPLC-MS/MS进行检测的，
任选地，所述HPLC-MS/MS的检测条件：
色谱条件：
Symbiosis液相色谱仪；
色谱柱：C18液相色谱柱；
流动相：A-(0.05-0.2)％甲酸水溶液，B-(0.05-0.2)％甲酸的乙腈；
流速：0.5-1.5mL/min；柱温：20-40℃；
洗脱程序：10-60％B(0-7min)；60-80％B(7-12min)；60-20％B(12-15min)；15％B(15-17min)；
质谱条件：
6500型质谱系统，电喷雾离子源(ESI)，多反应监测模式(MRM)，负离子模式(ESI-)扫描；
气帘气(Curtain gas)：40psi；
离子喷雾电压：4500V；
辅助加热气温度(TEM)：550℃；
雾化气(Gas1)：55psi；
辅助加热气(Gas 2)：55psi，
任选地，所述食品的所述挥发性代谢物和所述初级代谢物的含量是利用GC/MS进行检测的，
任选地，所述GC/MS的检测条件：
色谱条件：
进样口温度为200-300℃，分流比为8-12:1；
DB-5MS色谱柱；
氦气流速为1-2mL/min；
升温程序如下：60-80℃保持1-3min，8-12℃/min升温至250-350℃，250-350℃保持4-8min，300-320℃后运行3-5min，
质谱条件：
电子轰击源为EI源，70eV，全扫描方式；
质谱仪四级杆和传输线温度设定为100-200℃，离子源温度为200-250℃；
扫描质量范围40-600m/z。
9.根据权利要求3所述的方法，其特征在于，所述输入参数为无量纲化处理的数据。
10.一种电子设备，其特征在于，包括：
处理器；以及
存储器，在所述存储器中存储有计算机程序指令，所述计算机程序指令在被所述处理器运行时使得所述处理器执行如权利要求1-9中任一项所述的食品品质的评价方法。
CN201910171435.5A 2019-03-07 2019-03-07 基于代谢组学数据融合和人工神经网络的食品品质的评价方法及其应用 Active CN109991325B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910171435.5A CN109991325B (zh) 2019-03-07 2019-03-07 基于代谢组学数据融合和人工神经网络的食品品质的评价方法及其应用

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910171435.5A CN109991325B (zh) 2019-03-07 2019-03-07 基于代谢组学数据融合和人工神经网络的食品品质的评价方法及其应用

Publications (2)

Publication Number Publication Date
CN109991325A true CN109991325A (zh) 2019-07-09
CN109991325B CN109991325B (zh) 2022-12-20

Family

ID=67129528

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910171435.5A Active CN109991325B (zh) 2019-03-07 2019-03-07 基于代谢组学数据融合和人工神经网络的食品品质的评价方法及其应用

Country Status (1)

Country Link
CN (1) CN109991325B (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110458361A (zh) * 2019-08-14 2019-11-15 中储粮成都储藏研究院有限公司 基于bp神经网络的粮食品质指标预测方法
CN111370067A (zh) * 2020-02-28 2020-07-03 中山大学肿瘤防治中心（中山大学附属肿瘤医院、中山大学肿瘤研究所） 一种面向lc/gc-ms的代谢组学数据质量控制方法及系统
CN111812249A (zh) * 2020-07-24 2020-10-23 济南同路医药科技发展有限公司 一种痕量盐酸羟胺的检测方法
CN114266419A (zh) * 2022-01-12 2022-04-01 华中科技大学 基于数据融合的雪茄烟烟叶工艺阶段预测方法、系统及介质

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2003100557A2 (en) * 2002-05-20 2003-12-04 Rosetta Inpharmatics Llc Computer systems and methods for subdividing a complex disease into component diseases
CN102676634A (zh) * 2012-05-05 2012-09-19 上海海洋大学 一种气调包装生鲜冷却牛肉腐败菌生长预测方法
CN106771004A (zh) * 2016-12-30 2017-05-31 南京财经大学 一种评价大蒜品质的方法
CN108333300A (zh) * 2018-01-05 2018-07-27 中国食品发酵工业研究院有限公司 用于鉴别玛咖产地的方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2003100557A2 (en) * 2002-05-20 2003-12-04 Rosetta Inpharmatics Llc Computer systems and methods for subdividing a complex disease into component diseases
CN102676634A (zh) * 2012-05-05 2012-09-19 上海海洋大学 一种气调包装生鲜冷却牛肉腐败菌生长预测方法
CN106771004A (zh) * 2016-12-30 2017-05-31 南京财经大学 一种评价大蒜品质的方法
CN108333300A (zh) * 2018-01-05 2018-07-27 中国食品发酵工业研究院有限公司 用于鉴别玛咖产地的方法

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
XIANGYONG MENG 等: "Prediction of storage quality of fresh-cut green peppers using artificial neural network", 《INTERNATIONAL JOURNAL OF FOOD SCIENCE AND TECHNOLOGY》 *
任亦贺 等: "基于主成分分析、遗传算法和神经网络对啤酒感官评价预测的研究", 《中国酿造》 *
杜宏福 等: "电子舌分析山西老陈醋固态发酵过程及主要有机酸的预测", 《食品与发酵工业》 *
梁娜娜 等: "中国和美国赤霞珠干红葡萄酒产地鉴别模型构建的应用研究", 《中国酿造》 *
钟成 等: "基于主成分分析、神经网络对啤酒感官评价的预测", 《食品与发酵工业》 *

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110458361A (zh) * 2019-08-14 2019-11-15 中储粮成都储藏研究院有限公司 基于bp神经网络的粮食品质指标预测方法
CN111370067A (zh) * 2020-02-28 2020-07-03 中山大学肿瘤防治中心（中山大学附属肿瘤医院、中山大学肿瘤研究所） 一种面向lc/gc-ms的代谢组学数据质量控制方法及系统
CN111370067B (zh) * 2020-02-28 2023-05-23 中山大学肿瘤防治中心（中山大学附属肿瘤医院、中山大学肿瘤研究所） 一种面向lc/gc-ms的代谢组学数据质量控制方法及系统
CN111812249A (zh) * 2020-07-24 2020-10-23 济南同路医药科技发展有限公司 一种痕量盐酸羟胺的检测方法
CN114266419A (zh) * 2022-01-12 2022-04-01 华中科技大学 基于数据融合的雪茄烟烟叶工艺阶段预测方法、系统及介质

Also Published As

Publication number Publication date
CN109991325B (zh) 2022-12-20

Similar Documents

Publication Publication Date Title
CN109991325A (zh) 基于代谢组学数据融合和人工神经网络的食品品质的评价方法及其应用
Ritota et al. Traceability of Italian garlic (Allium sativum L.) by means of HRMAS-NMR spectroscopy and multivariate data analysis
Esteras et al. Fruit flesh volatile and carotenoid profile analysis within the Cucumis melo L. species reveals unexploited variability for future genetic breeding
Taeymans et al. A review of acrylamide: an industry perspective on research, analysis, formation, and control
Lloyd et al. Proline betaine and its biotransformation products in fasting urine samples are potential biomarkers of habitual citrus fruit consumption
Bach et al. Effects of harvest time and variety on sensory quality and chemical composition of Jerusalem artichoke (Helianthus tuberosus) tubers
Erich et al. Combined chemometric analysis of 1H NMR, 13C NMR and stable isotope data to differentiate organic and conventional milk
Longobardi et al. Non-targeted 1H NMR fingerprinting and multivariate statistical analyses for the characterisation of the geographical origin of Italian sweet cherries
Jing et al. Metabolite profiles of essential oils in citrus peels and their taxonomic implications
Li et al. A novel strategy for discriminating different cultivation and screening odor and taste flavor compounds in Xinhui tangerine peel using E-nose, E-tongue, and chemometrics
de Jesús Ramírez-Rivera et al. Comparison of performance and quantitative descriptive analysis sensory profiling and its relationship to consumer liking between the artisanal cheese producers panel and the descriptive trained panel
Hurtado-Fernández et al. Metabolomic analysis of avocado fruits by GC-APCI-TOF MS: effects of ripening degrees and fruit varieties
Taiti et al. Nashi or Williams pear fruits? Use of volatile organic compounds, physicochemical parameters, and sensory evaluation to understand the consumer’s preference
Jović et al. Chemometric analysis of croatian extra virgin olive oils from central Dalmatia region
CN109063783A (zh) 一种盐水鹅品质综合评价方法以及利用该方法构建的品质评价模型
Del Pulgar et al. Effect of the pig rearing system on the final volatile profile of Iberian dry-cured ham as detected by PTR-ToF-MS
Ciesa et al. Discrimination of four different postharvest treatments of ‘Red Delicious’ apples based on their volatile organic compound (VOC) emissions during shelf-life measured by proton transfer reaction mass spectrometry (PTR-MS)
O’Gorman et al. Evaluation and identification of markers of damage in mushrooms (Agaricus bisporus) postharvest using a GC/MS metabolic profiling approach
Cheng et al. Volatile composition of eight blueberry cultivars and their relationship with sensory attributes
CN102854291A (zh) 一种适宜花生油加工的花生品质测定及其评价方法
Ulberth Detection of milk fat adulteration by linear discriminant analysis of fatty acid data
Ceccarelli et al. An artificial class modelling approach to identify the most largely diffused cultivars of sweet cherry (Prunus avium L.) in Italy
Carbonell-Barrachina et al. Analysis of flavor volatile compounds by dynamic headspace in traditional and hybrid cultivars of Spanish tomatoes
Perestrelo et al. Unraveling Vitis vinifera L. grape maturity markers based on integration of terpenic pattern and chemometric methods
CN113609647A (zh) 一种预测百香果汁香气强度变化的方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant