研究成果|基于可解释机器学习增强的定量靶向风味组学的酱香型白酒质量等级预测

本研究针对酱香型白酒质量等级预测中传统感官评价主观性强、现有机器学习模型可解释性不足的问题，采用定量靶向风味组学结合可解释机器学习方法，分析了578份不同等级酱香型白酒样品，定量检测106种风味化合物。通过气味活性值（OAV）、偏最小二乘判别分析（PLS-DA）和方差分析，筛选出23种风味品质标志物。构建了包括XGBoost在内的8种机器学习预测模型，其中XGBoost表现最佳，在外部验证中宏平均AUC达0.89-0.92。利用SHAP方法揭示关键风味化合物对等级预测的贡献，确定糠醛、癸酸乙酯、2-甲基丁酸乙酯和异丁酸为核心判别物质，并明确了其浓度阈值。研究结果表明，该方法能实现酱香型白酒品质的客观、精准判别，为生产质控和勾调优化提供了科学依据。