三、实验革新+分析革新

数字化品酒师结合诺米特色产品风味组学技术，利用GC×GC-TOF MS 全二维高端色谱质谱平台，定性物质数较常规 GC-MS 高出几十倍，能更加准确和全面地解析酒体中挥发性物质，实现实验环节的技术革新。

为解决开源风味数据库不完善的问题，诺米代谢采用了多维度的自建库或自主整合数据库，专有 NIST 2020 定性，PubChem、ClassyFire、诺米自建库注释；FlavorDB、Odor（诺米整理）风味特征注释。此外，利用PLS-DA和随机森林筛选特征风味物质以及多种机器学习模型进行结果的评估，使得数字化品酒师结果更为准确全面。

图：诺米代谢GC X GC-TOF MS平台
 

 

四、可视化展示风味物质和等级信息

以收集跟踪的边界信息、酒体的风味物质含量和感官评价为模型输入文件，选取部分样本数据做为训练集，其余为验证集。然后通过模型评估判定最优模型，最终得到每份酒样的模型评价结果，方案流程可见下图：

图：数字化品酒师方案流程图
 

结果一：数字化评分与等级评价预测

模型框架可应用于各个品酒师介入环节中，在每个环节中给出相对于的数字化评分与等级划分结果，辅助品酒师进行白酒质量评价。数字化评分与等级划分在一级指标与二级指标两个维度上进行，分别给出一级指标和二级指标维度上的评价结果。下表为一级指标结果示例表：

 

结果二：差异风味物质筛选

通过模型获取具体等级比对组间的差异性风味物质列表，以及列表中对应风味物质的相对浓度值、对组别划分的贡献度、以及与白酒评分的正/负相关联关系，如下图：

图：一级或二级指标差异性风味物质点阵热图
 

结果三：特征降维

对风味组学数据高维度、多样本的情况进行降维处理，降维方法包括t-SNE和UMAP方法。通过降维可视化处理后，可以很直观地发现检测的酒样间规律性变化，比如，不同原料配比、不同生产季节、车间或班组、窖池和窖泥、发酵温度等，这一系列生产变化会映射在降维聚类图中，以便归纳不同处理对酒体风味特征产生的影响。

 

结果四：模型确定

不同建模方法的结果采用ROC和PR曲线进行评估，选取线下面积（AUC）值最接近于1的模型为最终确认模型，可使用部分数据进行模型搭建和部分数据进行模型验证，确保模型的可靠性。

 

综上结果，通过该方案中的风味组学检测结合 AI 机器学习分析可构建数字化品酒师的最优模型。确认好的模型可以输出数字化品酒师模式范围值，在实际生产中针对酒样进行风味组检测，即可对应不同的原酒等级，从而实现“精准化”“数字化”品酒。

 

五、数字化品酒师前景可期

在酿造过程中人工很难及时处理多类、高维数据集，从而无法实现酿造过程的全局优化。由此，数字化品酒师平台提供了一个全新的视角，将大数据集和人工智能技术相糅合，由全二维气相色谱质谱检测到的高维度风味组学数据全面的反映了酒样特有的化合物特征，与酒样的感官品质密切相关，通过多种机器学习模型以及深度学习网络来构建AI评价体系，实现高效的自动化酒样评价体系，可将优秀品酒师多年来积累的经验转化成数据及模型，使其在发挥辅助作用的过程中改变品酒师的工作模式。

 

六、更具想象空间的“数字化品鉴师”平台

数字化品酒平台为白酒品鉴提供了新思路，除了品鉴之外，风味组学结合AI技术还可以应用于白酒很多生产环节，比如原材料筛选和质控。酿造白酒的过程中对原材料的要求十分高，优质的白酒原料应该是新鲜、无霉变和较少杂质，并含有独特的风味物质，因此可以结合“数字化”和“大数据”的思路，使原料筛选和质控更加精准化。

除白酒之外，“数字化”还可以拓展其他多个食品和发酵行业，比如在茶叶的生产加工上，不同时间点采摘的茶叶和揉制工艺也极大地影响其风味；咖啡豆的原产地和烘培工艺也极大的影响着咖啡的风味，搭建“数字化品茶师”、数字化品咖啡师“等多个“数字化品鉴师”平台将大数据技术真正运用到实际生产中，也将会是传统产业转型高质量发展的一大利器。