近年來醬香白酒市場熱度持續(xù)攀升，“核心產(chǎn)區(qū)”“原產(chǎn)地”“年份酒” 等概念成為消費者選購時的核心關(guān)注點。但長期以來，行業(yè)鑒別白酒真實產(chǎn)地、核驗產(chǎn)區(qū)屬性高度依賴人工感官品評；傳統(tǒng)白酒產(chǎn)地鑒別技術(shù)普遍存在地域關(guān)聯(lián)性弱、樣品檢測通量低、定量精度不足等短板，難以適配產(chǎn)業(yè)規(guī)?；瘷z測對高效、精準、穩(wěn)定分析的需求。
近期，中國食品發(fā)酵工業(yè)研究院、西北農(nóng)林科技大學(xué)等單位聯(lián)合在《Food Chemistry》刊發(fā)最新研究成果：首次依托賽默飛 TSQ 9610 GC-MS/MS 三重四極桿氣質(zhì)聯(lián)用儀，建立可同步準確定量白酒中 156 種關(guān)鍵微量風(fēng)味組分的高通量快速檢測方法；結(jié)合機器學(xué)習(xí)算法，實現(xiàn)赤水河流域 6 大產(chǎn)區(qū)醬香白酒的精準區(qū)分，為白酒真?zhèn)舞b別、地理標志保護、品質(zhì)溯源與風(fēng)味數(shù)字化表達提供全新技術(shù)方案。
2700種風(fēng)味物質(zhì)中，誰才是真正的“產(chǎn)區(qū)密碼”？
目前已報道的醬香白酒揮發(fā)性風(fēng)味化合物超 2700 種，其風(fēng)味體系層級豐富、組分構(gòu)成復(fù)雜。醇、醛、酸、酯類為常量風(fēng)味組分，含量可達上千毫克每升，構(gòu)成醬香型白酒酒體風(fēng)味核心骨架，奠定酒體基礎(chǔ)風(fēng)味特征；而吡嗪、萜烯、酚、呋喃類等種類繁多的微量、痕量風(fēng)味化合物，含量遠低于常量組分，卻具備典型的“量微效著”特點，對不同醬香白酒的香氣層次、獨特感官風(fēng)格起到關(guān)鍵調(diào)控作用。
如何從海量風(fēng)味信息中找到能夠代表產(chǎn)區(qū)特征的“風(fēng)味密碼”，是白酒產(chǎn)地溯源領(lǐng)域的核心挑戰(zhàn)。針對該痛點，研究團隊構(gòu)建了覆蓋156種痕量揮發(fā)性香氣化合物(TVACs)的GC-MS/MS靶向定量體系，并結(jié)合機器學(xué)習(xí)建立產(chǎn)區(qū)識別模型，構(gòu)建“風(fēng)味物質(zhì)解析 — 智能產(chǎn)地判別”完整創(chuàng)新技術(shù)鏈路。
告別繁瑣前處理：GC-MS/MS直接捕獲風(fēng)味密碼
傳統(tǒng)白酒風(fēng)味分析多采用頂空固相微萃取氣相色譜質(zhì)譜法(HS-SPME-GC-MS)，整套流程需要經(jīng)歷平衡、萃取和解吸等多個步驟，耗時冗長；同時檢測結(jié)果易受萃取效率、纖維吸附偏差及基質(zhì)效應(yīng)干擾。
本研究充分利用TSQ 9610 GC-MS/MS在復(fù)雜基質(zhì)條件下的高靈敏度和高選擇性的檢測優(yōu)勢，落地直接進樣方案，采用：1 mL酒樣 + 10μL內(nèi)標 → 1μL樣品直接進樣分析；無需萃取、濃縮富集等前處理步驟。對于實驗室檢測工作而言，該方案具備多重優(yōu)勢：更簡化的前處理流程；更高的樣品通量；更低的人為操作誤差；更強的數(shù)據(jù)一致性。
研究首次建立可同步定量白酒中 156 種微量關(guān)鍵風(fēng)味組分的分析平臺，覆蓋酯、萜烯、吡嗪、酚、醛、呋喃、酮、醇和內(nèi)酯等10大類微量/痕量風(fēng)味化合物，其中含量極低、但風(fēng)味閾值更低的“隱形核心風(fēng)味組分”，可以被準確捕捉和量化。這對于理解復(fù)雜風(fēng)味的細微差異至關(guān)重要，大幅提升了白酒風(fēng)味組學(xué)的分析深度與覆蓋范圍。
圖 2 1 mg/L 混合標準溶液 156 種痕量揮發(fā)性香氣物質(zhì)選擇離子監(jiān)測(SRM)模式總離子流色譜圖；(A) 定性定量總離子流色譜圖；(B) 定量離子提取色譜圖(點擊查看大圖)
從數(shù)周到數(shù)小時：AutoSRM讓方法開發(fā)更簡單
對于三重四極桿質(zhì)譜使用者而言，方法開發(fā)耗時最長。傳統(tǒng)流程需要人工逐一篩選母離子、子離子，并優(yōu)化碰撞能。當目標物數(shù)量達上百種時，方法開發(fā)周期往往以周甚至月計算。
本研究借助賽默飛AutoSRM自動化軟件平臺，實現(xiàn)了156種目標化合物SRM方法的自動開發(fā)和參數(shù)優(yōu)化，極大縮短方法開發(fā)周期。整套方法分析性能優(yōu)異：
? 標準曲線相關(guān)系數(shù) R²＞0.99
? 目標物加標回收率 82%–118%
? 方法精密度 RSD＜3.96%
? 基質(zhì)效應(yīng)控制在 ±15% 以內(nèi)
高質(zhì)量數(shù)據(jù)為后續(xù)機器學(xué)習(xí)建模筑牢數(shù)據(jù)基礎(chǔ)。
即使針對保留時間高度重疊的化合物，也能利用SRM模式實現(xiàn)精準區(qū)分和準確定量。AutoSRM 有效降低風(fēng)味組學(xué)、食品安全、多殘留檢測、靶向代謝組學(xué)領(lǐng)域的質(zhì)譜方法開發(fā)門檻，加速從實驗設(shè)計到數(shù)據(jù)產(chǎn)出的全流程。
圖1. 以四甲基吡嗪為例的 SRM-GC–MS/MS 方法開發(fā)流程。A：基于 NIST 標準質(zhì)譜數(shù)據(jù)庫篩選前體離子；B：默認碰撞能量(10、20 和 30 eV)下產(chǎn)物離子的 m/z 分布及響應(yīng)強度譜；C：SRM 掃描模式下單個離子對的提取離子色譜圖；D：不同碰撞能量下離子對峰響應(yīng)強度的變化；E：優(yōu)化后的定量離子對和定性離子對的提取離子色譜圖。(點擊查看大圖)
機器學(xué)習(xí)實現(xiàn)產(chǎn)區(qū)精準溯源
為了從海量風(fēng)味定量數(shù)據(jù)中挖掘地域?qū)偬卣鳎芯繄F隊引入正交偏最小二乘判別分析(OPLS-DA)、隨機森林(Random Forest)和SHAP可解釋性分析算法開展建模研究。研究基于TSQ 9610 高通量定量平臺；在46份醬香型輪次基酒樣品中穩(wěn)定檢出69種風(fēng)味物質(zhì)；結(jié)合OPLS-DA和統(tǒng)計學(xué)篩選，最終鎖定40種關(guān)鍵地域差異標志物，搭建 AI 產(chǎn)地識別模型，分類準確率達 90%。不同產(chǎn)區(qū)樣品在模型中聚類邊界清晰，展現(xiàn)出明顯的地域風(fēng)味特征。
更關(guān)鍵的是，SHAP分析進一步揭示了不同產(chǎn)區(qū)最具代表性的風(fēng)味貢獻物質(zhì)，使模型不僅能夠“判斷”，還能解釋“為什么這樣判斷”，讓AI從黑盒判定走向可解釋分析。該技術(shù)體系意味著未來白酒產(chǎn)區(qū)鑒別有望逐步走向客觀、可驗證、可追溯的數(shù)據(jù)化判定模式。
圖4. 來自 6 個產(chǎn)地的 46 份 SRBB 樣品的 OPLS-DA 判別模型。A： 基于 69 種 TVACs 構(gòu)建的全特征 OPLS-DA 產(chǎn)地判別模型。B： 基于 69 種 TVACs 全特征 OPLS-DA 產(chǎn)地判別模型的置換檢驗圖(n = 200)。C： 基于 VIP > 1 篩選得到的 40 種差異 TVACs 構(gòu)建的 OPLS-DA 產(chǎn)地判別模型。D： 基于 VIP > 1 的 40 種差異 TVACs 構(gòu)建的 OPLS-DA 產(chǎn)地判別模型的置換檢驗圖。E： VIP > 1 的 40 種差異 TVACs 及其對應(yīng)的 VIP 值。(點擊查看大圖)
圖6. 基于隨機森林模型和SHAP分析篩選不同產(chǎn)區(qū)差異性TVACs。
A–F： SHAP分析得到的不同產(chǎn)區(qū)(A–F)的特征重要性排序；
G： 隨機森林模型用于產(chǎn)區(qū)分類的混淆矩陣；
H： 隨機森林模型用于產(chǎn)區(qū)判別的多分類ROC曲線。(點擊查看大圖)
從風(fēng)味分子到數(shù)字指紋：TSQ 9610如何提供關(guān)鍵數(shù)據(jù)？
本研究核心檢測平臺為TSQ 9610 GC–MS/MS，研究成果充分印證了其在復(fù)雜基質(zhì)分析中的優(yōu)勢：
? 操作更簡單：
支持復(fù)雜樣品直接進樣，減少繁瑣前處理流程。
? 定量更精準：
SRM模式顯著提升檢測靈敏度與選擇性，實現(xiàn)痕量風(fēng)味物質(zhì)精準定量。
? 開發(fā)更智能：
AutoSRM自動化完成質(zhì)譜方法開發(fā)，高質(zhì)量數(shù)據(jù)無縫支撐AI模型構(gòu)建。
依托上述優(yōu)勢，研究團隊借助該儀器完成 156 種痕量風(fēng)味物質(zhì)高通量同步定量，完整覆蓋醬酒核心風(fēng)味維度；為白酒中上百種風(fēng)味閾值更低的“隱形核心風(fēng)味組分” 提供快速、精準的定量手段，是90%準確率的AI產(chǎn)區(qū)溯源模型可靠數(shù)據(jù)基礎(chǔ)，成為連接風(fēng)味組學(xué)與人工智能分析的重要數(shù)據(jù)引擎。
下一代食品真實性研究，正在發(fā)生
一瓶醬香白酒中，蘊藏著數(shù)千種風(fēng)味分子的復(fù)雜信息。借助賽默飛TSQ 9610 GC–MS/MS與人工智能技術(shù)，科研人員不僅可精準檢測各類微量風(fēng)味分子，更能依托分子特征還原白酒產(chǎn)地來源、解析專屬風(fēng)味風(fēng)格。
從“檢測單個指標”到“解析風(fēng)味網(wǎng)絡(luò)”，從“特征識別”到“數(shù)據(jù)驅(qū)動決策”，分析科學(xué)與人工智能的融合正在重新定義食品真實性研究的未來。
當一瓶酒中的風(fēng)味分子都完成數(shù)字化表征，“產(chǎn)地” 將不再是酒瓶標簽上的文字，而是一套可檢測、可驗證、可溯源、可解釋的數(shù)據(jù)資產(chǎn)。
參考文獻：
Geographic discrimination of Sauce-flavor rounded-base Baijiu using GC-MS/MS combined with multivariate analysis and machine learning
期刊：Food Chemistry
發(fā)表時間：2026 年 3 月
DOI：10.1016/j.foodchem.2026.148901
作者簡介
一、核心研究人員
第一作者：羅森(Sen Luo)；中國食品發(fā)酵工業(yè)研究院和西北農(nóng)林科技大學(xué)聯(lián)合培養(yǎng)工程博士，博士課題研究方向：不同產(chǎn)地醬香型白酒多維品質(zhì)表達體系研究。
主要通訊作者：高紅波(Hongbo Gao)；中國食品發(fā)酵工業(yè)研究院數(shù)字化部食品安全與風(fēng)味研究中心主任，西北農(nóng)林科技大學(xué)校外博士導(dǎo)師。
長期從事：酒類食品檢測方法標準研究制定，酒類食品風(fēng)味組學(xué)、風(fēng)味感官數(shù)字化及快速分析儀器應(yīng)用研究。“十四五國家重點研發(fā)項目：地理標志產(chǎn)品多組學(xué)特征分析與區(qū)塊鏈產(chǎn)地溯源”課題負責(zé)人 ；完成國家級、省級科研課題10余項，獲得中國輕工業(yè)聯(lián)合會、酒業(yè)協(xié)會、中國食品學(xué)會等科技進步獎共10余項，累計承擔或參與國家標準、行業(yè)檢測方法標準等30余項，發(fā)表論文30余篇。
二、研究單位：本研究由中國食品發(fā)酵工業(yè)研究院聯(lián)合西北農(nóng)林科技大學(xué)等酒類風(fēng)味組學(xué)研究領(lǐng)域多家權(quán)威機構(gòu)聯(lián)合完成。
中國食品發(fā)酵工業(yè)研究院（CNRIFFI）
我國食品發(fā)酵行業(yè)國家級科研機構(gòu)。長期承擔：食品類國家重點研發(fā)計劃、食品真實性研究、酒類風(fēng)味品質(zhì)評價和表達技術(shù)等國家和行業(yè)科研項目。
三、國家重點研發(fā)計劃支持
本研究獲得：十四五 國家重點研發(fā)項目 “地理標志產(chǎn)品多組學(xué)特征分析與區(qū)塊鏈產(chǎn)地溯源”2022YFF0606800；2022YFF0606803等相關(guān)國家項目的支持。
10
聊城市|
高唐县|
博白县|
宜丰县|
改则县|
宁夏|
伊通|
林西县|
邵武市|
叶城县|
景谷|
安康市|
新津县|
凤凰县|
上高县|
玉门市|
安塞县|
安福县|
寿宁县|
施秉县|
松江区|
行唐县|
抚松县|
莒南县|
大方县|
白银市|
冷水江市|
准格尔旗|
鲁山县|
三台县|
肃北|
炉霍县|
三穗县|
广丰县|
长垣县|
德兴市|
长春市|
喀喇|
阿合奇县|
股票|
正定县|
立即詢價
您提交后，專屬客服將第一時間為您服務(wù)