分析技术获得的风味数据庞大且复杂，增加了多因素分析的难度。本研究旨在提供基于机器学习（ML）的框架来解释风味数据，利用四种广泛使用的技术，即主成分分析（PCA）、冗余分析（RDA）、偏最小二乘法（PLS）和随机森林法（RF）。为展示这些机器学习技术的潜力，讨论了两个案例研究，一个采用半定量数据，另一个采用定量数据。结果表明PCA在数据探索中非常有用;RDA可以量化因素的统计显著性;结合PLS和RF的特征重要性分析结果，可以全面理解标记化合物。在分类性能方面，PLS在处理共线数据方面表现出色，而RF如果有足够数据，则能捕捉复杂模式。然而，对于样本量较小的数据集，过拟合存在风险。总体来说，精心选择并整合这些机器学习技术可以揭开食物风味的神秘面纱。
思考过程与原因：该研究属于方法论性质的文章，针对的是食品风味（Food flavor）数据的分析，涉及品质与风味（B03）的解读以及基于标记物的分类/鉴别（B94）。研究对象是风味数据，通常源于组学分析，归类为风味组学/代谢组学（C34），目标成分是挥发性/风味化合物（D55）。在AI与数字化方面，文章提出了一个机器学习（E01）框架，明确使用了偏最小二乘（PLS, E11）、随机森林（RF, E13）和主成分分析（PCA, E16）。研究特别强调了数据的解读（Interpretation）和特征重要性分析，旨在“揭开神秘面纱”，这属于模型可解释性（XAI, E43）的范畴。任务涉及分类（F01）。数据为风味组学数据（G15），且文中特意讨论了小样本（Small sample sizes, G21）带来的过拟合风险。由于摘要未提及具体某种食品（如苹果、牛肉等），故不标注A类标签。

肌酸是体育活动者摄入最多的食物补充剂之一。我们开发了一种新方法，将衰减全反射傅里叶变换红外（ATR-FTIR）与多变量分析结合，用于筛查掺假肌酸。我们构建了偏最小二乘回归（PLS）和偏最小二乘判别分析（PLS-DA）模型，以检测玉米淀粉（CS）中的肌酸掺假。所有模型均使用开源软件 GNU Octave 开发。肌酸分子中羧基的不对称拉伸带以及 CS糖苷键的拉伸，对于区分掺假肌酸至关重要。PLS与RMSEp的实验拟合率为9.15%。PLS-DA在区分纯和掺假肌酸样本方面表现有效，准确率达97%。在对其他本地贸易样本进行盲预测时，该模型实现了95%的准确率、90%的敏感性和100%的特异性。这些结果证实了所用模型区分掺假肌酸的能力。
思考过程与原因：该研究的对象是肌酸（Creatine），属于其他添加剂与配料（A119，作为食品补充剂）；研究的核心问题是检测掺假（Adulteration，如掺入玉米淀粉），属于质量管理与鉴别（B94）。主要检测手段是ATR-FTIR（衰减全反射傅里叶变换红外光谱，C14），检测的目标成分肌酸归类为其他特殊成分（D85）。在AI与数字化方面，研究使用了光谱数据（G13）。采用的算法是偏最小二乘回归（PLS）和偏最小二乘判别分析（PLS-DA），属于线性模型/统计学习方法（E11）。模型的任务同时涵盖了对掺假与否的分类/鉴别（F01）以及对掺假水平的定量预测（F02，文中提到了RMSEp）。

芫荽油具有优异的抗菌、抗氧化和抗炎特性，是医疗保健和食品保存的重要产品。由于其高价值和理想性质，这种油常被针对掺假，要么与更便宜的油混合，要么完全替代。本研究旨在通过非侵入性、绿色、快速且可靠的方法鉴定芫荽油并区分掺假物。便携式拉曼光谱仪和近红外（NIR）光谱仪以及电子鼻梁的性能进行了比较，以区分真实样本与掺假样本，采用数据驱动的软无关类比（DD-SIMCA）和单类别偏最小二乘模型（OC-PLS）模型。DD-SIMCA在近红外下达到87%至拉曼光谱97%的准确率，而OC-PLS在近红外下达到69%，拉曼光谱中最高达95%。此外，还开发了一个多类别模型，仅利用掺假样本将其分类为三种掺假物：菜籽油和大豆油以及棕榈油素。偏最小二乘判别仪（PLS-DA）成功分类了掺假物类型，拉曼光谱法准确率达97%。拉曼展现了最高的表现;然而，定制的低成本电子机头也实现了高精度，94%使用DD-SIMCA和96%使用PLS-DA，彰显其作为快速有效筛查工具的潜力。因此，通过验证芫荽油的真实性和检测掺假物类型，展示了多变量技术与光谱仪器的协同效应。
Coriander oil possesses excellent antimicrobial, antioxidant, and anti-inflammatory properties, making it a valuable product for health care and food preservation. Due to its high value and desirable properties, this type of oil is often targeted for adulteration, either by blending it with less expensive oils or by completely substituting it. This study aims to authenticate coriander oil and distinguish the adulterants using non-invasive, green, fast and reliable methods. Performances of portable Raman and near infrared (NIR) spectrometers, as well as an electronic nose, were compared to distinguish between authentic and adulterated samples, using data driven soft independent class analogy (DD-SIMCA) and one class partial least squares (OC-PLS) models. DD-SIMCA achieved accuracies ranging from 87 % with NIR to 97 % with Raman spectroscopy, while OC-PLS obtained 69 % with NIR and up to 95 % with Raman. Moreover, a multiclass model was developed using only the adulterated samples to classify them into three types of adulterants: canola and soybean oils and palm olein. Partial Least Squares Discriminant (PLS-DA) successfully classified the type of adulterant, achieving 97 % accuracy with Raman spectroscopy. Raman demonstrated the highest performance; however, the custom-built, low-cost electronic nose also achieved high accuracy, with 94 % using DD-SIMCA and 96 % using PLS-DA, highlighting its potential as a rapid and effective screening tool. Therefore, the synergy of multivariate techniques and spectroscopic instruments was demonstrated by addressing both the verification of the authenticity of coriander oil and the detection of the type of adulterants.
思考过程与原因：该研究的对象是芫荽油（Coriander oil）及其掺假物（菜籽油、大豆油、棕榈油），归类为植物油脂（A16）。研究的核心目的是真实性鉴别与掺假检测（Authentication/Adulterant identification），属于质量管理与鉴别（B94）。主要检测手段包括拉曼光谱和近红外光谱（C14）以及电子鼻（C15，物理传感器）；涉及的化学成分主要是脂质/油脂（D12）。在AI与数字化方面，研究对比了DD-SIMCA、OC-PLS和PLS-DA等算法，这些属于统计学习/线性模型（E11）及广义的机器学习（E01）。模型的主要任务是区分真实与掺假样本及识别掺假物类型，属于分类/鉴别（F01）。使用的数据包括光谱数据（G13）和电子鼻的传感器数据（G14）。

麦角生物碱（EA）是由 紫麦菌（Claviceps purpurea）产生的霉菌毒素，常感染多种谷物，影响食品安全。本研究评估电子鼻子可靠预测小麦EA污染的潜力，作为概念验证，展示了该技术结合监督技术在区分感兴趣水平污染样本与合规样本的能力。特别是，使用PLS-DA正确分类的样本平均为95.5%。此外，首次成功应用基于HS-SPME/GC–Orbitrap HRMS和化学计量学的挥发性学方法，基于EA污染水平，重点关注次级挥发性代谢物，表征小麦样品的挥发性化合物模式。总体而言，化合物鉴定的高度置信度低于1 ppm质量精度。无监督PCA用于鉴别目的，揭示了19种差异化合物（标记），其中一些在Claviceps Purpurea真菌生长过程中释放
思考过程与原因：该研究的对象是软小麦（Soft wheat, A11）；研究的核心问题是检测麦角生物碱（Ergot alkaloids），这是一种由真菌产生的生物毒素/化学污染物（B52），其化学属性属于生物碱（D52）。主要检测手段包括电子鼻（C15，物理传感器）和气相色谱-高分辨质谱（C14），用于分析相关的挥发性化合物（D55）。在AI与数字化方面，研究使用了电子鼻传感器数据（G14）和基于质谱的挥发组学数据（G15）。采用的算法包括偏最小二乘判别分析（PLS-DA, E11）和主成分分析（PCA, E16）。模型的主要任务是区分受污染样本与合格样本，属于分类/鉴别（F01）。

该研究旨在利用近红外（NIR）、中红外（MIR）光谱和逆相高性能液相色谱（RP-HPLC）结合化学计量，区分巴西米纳斯吉拉斯州不同地区的手工米纳斯奶酪（葡萄牙语：queijo Minas artesanal，简称QMA）。QMA样本直接从塞拉多、塞拉和塞罗地区的生产者处采集，共计56个样本。样品通过近红外、红外（MIR）分析，水溶性肽（WSP）被提取并用RP-HPLC分析。化学计量学被用于建立样本分类模型。结果表明，利用近红外和MIR可以根据奶酪的地理来源区分。通过MIR和RP-HPLC，可以按区域对样品进行更精确的分类。使用WSP实现了QMA的区分，并可用于生成不同地区奶酪的指纹。
思考过程与原因：该研究的对象是手工米纳斯奶酪（A31，乳制品）；研究的核心目的是根据地理来源（Geographical origin）进行鉴别，属于质量管理与鉴别（B94）。主要分析手段包括近红外（NIR）、中红外（MIR）光谱和高效液相色谱（RP-HPLC），归类为光谱/色谱分析（C14）。检测的目标成分是水溶性肽（Water-soluble peptides, WSP），属于蛋白质/多肽（D11）。在AI与数字化方面，研究使用了化学计量学（Chemometrics，属于E01机器学习/统计学习）建立模型。模型的任务是对奶酪产地进行分类/鉴别（F01）。使用的数据包括光谱数据（G13）和基于肽段的指纹图谱（G15，组学数据）。样本总量为56个，属于小规模数据集（G21）。