白酒是我国历史最为悠久的蒸馏酒之一[1]。风味品质是其核心质量指标，直接决定消费者接受度、产品等级与市场竞争力。白酒风味是原料转化、微生物代谢、发酵调控、蒸馏提取及陈酿老熟等多个环节共同作用形成的复杂属性，白酒风味研究兼具产业价值与技术挑战性[2-5]。
当前白酒风味研究主要围绕风味物质定性定量、关键香气物质筛选与贡献度评价、风味形成机制解析、感官感知与消费者偏好、风味调控与工艺优化等内容展开。其方法学经历了从感官品评为主，到色谱-质谱等仪器分析引入，再到多组学与机器学习融合的三阶段演进[6-8]。尽管进展显著，当前研究仍面临若干瓶颈：香气活度值（odor activity value，OAV）计算因基质阈值数据缺失而失真；非靶向代谢组学数据量大、标准化低、假阳性普遍；多组学整合缺乏因果推断框架；实验室成果向产业转化尚未形成闭环[9]。
近年来，已有综述对白酒风味检测技术[6-7]和感官评价方法[8]进行了总结，但多聚焦于单一维度，尚未从方法论演进的高度揭示“经验解析→仪器检测→数据智能”的范式转变逻辑。本文以方法学演进为主线，系统梳理3个阶段的研究进展，重点阐述关键技术突破与产业应用价值，并针对风味贡献度定量判定、多技术融合等薄弱环节进行分析，以期为白酒风味精准调控与产业智能化升级提供理论支撑。
1 感官评价技术：研究的起点与基础阶段
感官质量可从对关键指标的客观分析和消费者主观喜好2个维度进行评估[10]。白酒风味复杂多样，包含丰富的香气、口感和味觉成分，传统感官评价方法高度依赖品酒师的专业经验与主观描述，存在术语体系碎片化、评分尺度非标准化等局限性，导致评价结果重现性不足且难以实现跨实验室数据比对。针对这一问题，近年来研究人员通过构建结构化描述词库与量化评分模型，推动了感官评价从定性描述向定量解析的转型。
1.1 感官评价标准化体系
感官评价是白酒风味品质最直接的评判方式，也是连接成分检测与消费者体验的桥梁。传统感官评价高度依赖评酒员经验，难以满足精准化、标准化需求。行业逐步建立标准化评价体系，推动感官分析从定性描述向定量解析升级。
1.1.1 标准化描述词库与定量描述分析
白酒风味成分复杂，构建标准化感官描述词库并结合定量描述分析，是实现客观评价的关键[11-13]。感官描述词库是基于科学原理和标准化程序开发的标准化词汇体系，用于客观描述食品的感官特性，使不同群体能够用一致的标准描述其对食品的感受[14-16]。白酒标准化描述词库通过引入化学分析、感官阈值测定等科学方法确保描述词的准确性和客观性[17]。目前文献及标准中已有的感官描述词已超600个[18]，针对酱香型、浓香型等主流香型已建立专用感官词典，可对香气、口感、余味等属性进行强度量化评分，实现不同酒样、不同批次间的风味比对[19-21]。
固定词库无法适应不同白酒类型和风味特点的描述需求，在实际评价中缺乏广泛适用性，所以研究人员在研究不同样品时会重新设计具有针对性的感官描述词库。Niu Junjie等[18]通过评估30份酱香型白酒样品建立了由35个感官描述词构成的感官词典，通过雷达图可视化描述各样品的感官特征，并结合层次聚类分析与单因素方差分析实现了对不同价格区间及产地样品的有效区分。此外，Rodríguez-Mendoza等[13]运用机器学习技术优化风味轮构建，通过分析3 051种化学成分及其与香气描述词的关联，为白酒感官描述的标准化提供了可借鉴的思路。
1.1.2 消费者偏好与动态感官映射
消费者偏好研究通过整合偏好映射与联合分析，可定量解析地域、年龄、消费场景等因素对风味偏好的影响。针对多维度感官数据映射消费者偏好的难题，Måge等[22]提出的正交偏最小二乘法能够同时处理多数据块，区分共同和独特信息，构建精细的偏好映射图。Cao Nian等[23]通过动态感官映射方法揭示了啜饮体积对口腔及咽后感官感知的动态影响，并发现性别在啜饮体积偏好与感官感知上存在显著差异，为定制化产品开发提供了依据。
1.2 风味贡献度定量评价
1.2.1 基于阈值的风味贡献度评价
在分子感官科学理论框架下，通过香气提取物稀释分析、定量分析、香气重组与缺失实验等方法学体系，OAV与风味阈值被确立为衡量香气化合物对样品整体香气贡献大小的核心评价指标。当OAV≥1时，表明该香气化合物对酒样整体香气特征具有明显贡献。然而，计算OAV时采用的阈值多来源于空气、水或其他溶液，而非实际白酒基质，这一问题直接影响贡献度判定的准确性[24]。 近年来，已有研究尝试在接近真实基质的体系中测定阈值。Wang Lihua等[25]测定了19种化合物在乙醇-水溶液中的风味阈值，其中戊酸乙酯、辛酸乙酯和1-丁醇的OAV均大于其剂量阈值（dose threshold values，DoTs）10倍以上，而庚酸乙酯和异戊醇的OAV低于其对应DoTs。因此，在评价白酒中风味物质贡献时，有必要同时考虑和比较其DoTs和OAV。
1.2.2 基于感官验证实验的风味贡献度确认
OAV较高的化合物是否确为关键香气物质，还需通过香气重构、缺失和添加实验验证。重构实验是将筛选出的关键香气物质按原酒浓度添加到模拟酒样基质中，复配出重构酒样[26]；缺失实验是去除某类或某种化合物后比较风味差异；添加实验用于验证特定化合物的增强作用。通过感官评价将重构酒样与原酒对比，相似度越高说明筛选越准确。这一方法体系能够精准识别对白酒整体风味贡献最大的化合物。
1.3 脑电图（electroencephalography，EEG）技术在风味感知神经机制研究中的应用
传统感官评价与风味贡献度判定主要依赖外在感知，神经科学技术则从机制层面提供了客观解析手段，成为感官评价体系科学化、定量化发展的重要延伸。其中，EEG技术因具备非侵入、高时间分辨率等优势，已成为白酒风味感知研究中应用最为广泛的神经科学技术，该技术通过捕捉大脑在品尝过程中的电活动变化，为解析风味感知的神经机制提供了全新的视角[27]。
1.3.1 风味物质特异性神经响应机制
传统感官评价难以避免个体差异及感知量化精度不足等问题。EEG技术通过实时记录大脑皮层电活动，提供一种独立于语言与行为反应的客观神经生理指标，可作为传统感官评价在神经机制层面的延伸与验证工具。
基于这一思路，已有研究证实特定风味化合物如酯类、酸类和醇类等可引发大脑特定频段的电活动变化，表明EEG可作为嗅觉评估的有效工具[28-29]。EEG技术还可与面部表情分析、心率变异性、功能性近红外光谱、功能磁共振成像（functional magnetic resonance imaging，fMRI）等相结合进行多模态分析，从不同时间分辨率与空间定位层面互补地揭示风味感知的神经机制[27-30]。这些发现不仅为理解不同香型白酒的感官特性提供了神经科学依据，也为白酒的香型分类和风味设计提供了新的思路。
1.3.2 技术优势与行业应用价值
近年来，EEG技术作为风味感知研究的新兴手段，已被纳入风味研究的方法学展望中[31]，其在白酒领域的应用探索正在逐步展开。EEG技术具有高时间分辨率，能够实时记录大脑在品尝过程中的电活动变化，且为非侵入性手段，保证了研究伦理性。
在行业应用方面，EEG技术在新产品开发的感官评估关键在于建立EEG响应信号与产品品质之间的量化关联。Chen Panpan等[32]研究表明，顶叶和枕叶区域的δ和θ频段（1～8 Hz）功率响应与白酒感官分级存在特异性相关性（P＜0.05），可区分不同品质等级的白酒，α频段（8～13 Hz）活动与饮用后情绪评分存在潜在相关性。这一结果表明，特定频段的EEG响应有望作为一种客观、实时的神经生理指标，辅助传统感官品评，为新产品开发提供超越主观报告的量化评估依据。
1.3.3 技术局限性与挑战
尽管EEG技术在白酒风味感知研究中展现出独特优势，但其应用仍面临若干技术局限。首先，空间分辨率低，难以精确定位深部脑区（如岛叶、杏仁核）[32]。其次，信号易受吞咽、面部肌肉活动等生理伪迹干扰，白酒品评中的啜饮、漱口等动作会产生强烈肌电伪迹，如何在保留自然饮用行为的前提下有效去噪仍是难点[29]。再次，EEG与风味感知之间的因果关系尚不明确，多数研究停留在相关性层面，无法区分风味感知本身与注意力、情绪等认知因素的贡献[27]。最后，EEG实验的样本量普遍偏小（通常为20～50人），个体间神经响应差异较大，研究结果的可推广性有待进一步验证。未来需结合fMRI的高空间分辨率优势，扩大样本量并引入因果推断方法，以更全面地揭示风味感知的神经机制。
综合来看，感官评价技术的3个层次相互支撑：标准化描述体系提供统一的风味语言，OAV与感官验证体系实现香气贡献度的定量锚定，EEG等神经科学手段则为感官结论提供机制层面的生理佐证。然而，这3个层次均面临一个共同瓶颈—感官评价的量化精度最终受制于化合物的分析精度：若无法准确测定白酒中数百乃至数千种风味化合物的种类与含量，OAV计算、缺失实验设计乃至EEG实验的刺激物配制均无从精准实施。这正是以色谱-质谱联用为核心的仪器分析技术成为白酒风味研究核心支撑技术之一的根本原因，也构成了本文第2节讨论的逻辑起点。
2 仪器分析技术：基于检测目的的靶向与非靶向方法发展阶段
仪器分析是白酒风味研究的第2个重要技术支柱，完整流程为：前处理→色谱-质谱检测→按目的选择分析策略→数据向知识转化。前处理决定风味物质能否被有效提取与富集；色谱-质谱提供核心检测能力；在此基础上分化为靶向定量与非靶向筛查2条路径；当非靶向数据进一步与生物信息学结合，便进入代谢组学层面，实现从“成分清单”到“机制解析”的跃迁。四者前后衔接，构成完整技术链条。
2.1 新型前处理与富集技术
白酒风味成分极性、溶解性、挥发性各异，基质复杂，需采用不同前处理方法并结合不同分析仪器才能完成风味成分解析[33-34]。前处理技术的革新直接决定分析方法的灵敏度与准确性（表1）。
表1 新型前处理与富集技术应用效果
Table1 Application performance of novel pretreatment and enrichment technologies
类型应用原理优势应用案例利用真空环境下的相变有效分离乙醇、HVT技术原理实现挥发性化合物水等基质与低沸提升质谱检测信选择性富集点风味物质噪比[35]通过旋转锥体产生的离选择性去除挥发应用于浓香型白SCC技术心力与温度梯度协同作酒中己酸乙酯等用实现挥发性组分高效性酚类，同时保酯类物质的蒸馏与富集留果香成分富集[36]CDs荧光利用纳米材料的光致发多组分同时检测同时定量白酒中探针技术光特性实现多类风味物的吡嗪类、酚类质同步检测能力，检测限低及含硫化合物[37]通过功能化磁性纳米材快速萃取，避免同时测定白酒中MSPE技术料表面修饰实现目标风乳化现象与8种高级脂肪酸味物质高选择性吸附基质干扰乙酯[38]
传统液液萃取与固相萃取虽被广泛应用，但存在操作繁琐、耗时长、多组分同步选择性富集能力有限等局限性。近年来，高真空转移（high vacuum transfer，HVT）、旋转锥柱体蒸馏（spinning cone column distillation，SCC）、碳点（carbon dots，CDs）荧光探针及磁性固相萃取（magnetic solid-phase extraction，MSPE）等新型技术，通过优化挥发性物质富集效率与选择性，为白酒风味研究提供更高效的解决方案。HVT技术利用真空环境下的相变原理实现挥发性化合物的选择性富集，可有效分离乙醇、水等基质与低沸点风味物质，提升质谱检测信噪比[35]。SCC技术通过离心力与温度梯度协同作用实现挥发性组分高效蒸馏，可用于浓香型白酒中己酸乙酯等酯类物质的富集[36]。CDs荧光探针技术通过纳米材料的光致发光特性实现白酒中多类风味物质的同步检测，如特定激发波长（λex）和发射波长（λem）下对2,3,5-三甲基吡嗪（λex＝365 nm，λem＝450 nm）和2-呋喃基硫醇（λex＝320 nm，λem＝410 nm）的灵敏检测，检测限达0.1～0.5 μg/L，较传统色谱法提升10倍以上[37]，其多组分同时检测能力为白酒风味轮廓的快速解析提供了新思路。MSPE技术通过功能化磁性纳米材料表面修饰实现对白酒中目标风味物质的高选择性吸附，可同时测定白酒中8种高级脂肪酸乙酯，10 min内完成萃取且避免乳化现象[38]。此外，MSPE技术还可通过调整磁性材料表面配体，实现对吡嗪类、萜烯类等不同极性风味物质的靶向富集。
前处理只是“让物质变得可被检测”，真正的分离、鉴定与定量还需依赖后端检测技术。色谱-质谱联用正是承接前处理产物、实现风味物质精准解析的核心环节。
2.2 色谱-质谱联用核心技术
白酒风味物质的复杂性与微量性对分析技术提出了严苛挑战[39-40]。传统低分辨率质谱虽能实现多数挥发性成分的定性定量，但质量精度（＞1×10-4）与分辨率（＜5 000 FWHM）限制了其对同位素峰、同分异构体及低丰度物质的精准检测能力。
近年来，高分辨率质谱（high resolution mass spectrometry，HRMS）与色谱联用技术的突破，通过硬件革新（如轨道阱、飞行时间质谱（time-of-flight mass spectrometry，TOFMS））、离子化优化（如大气压化学电离源）及背景抑制策略（如高场不对称波形离子迁移谱），将质量精度提升至＜1×10-6、分辨率突破50 000 FWHM，结合全二维气相色谱（comprehensive two-dimensional gas chromatography，GC×GC）、超高效液相色谱（ultra-high performance liquid chromatography，UPLC）等分离技术，实现了白酒风味物质检测灵敏度的量级飞跃。HRMS与色谱联用使“单一成分检测”跨越至“全组分筛查”，为非靶向代谢组学研究提供了核心工具。此外，近红外光谱和气相色谱-质谱（gas chromatography-mass spectrometry，GC-MS）融合技术也为原酒等级快速鉴别提供了新思路[41]。
色谱-质谱联用技术的硬件突破使白酒风味分析具备了高灵敏度、高分辨率和宽覆盖范围，但检测能力的提升不等于分析任务的完成，面对“已知物精准定量”与“未知物无偏筛查”2种不同需求，分析策略必然分化。
2.3 基于检测目的的技术分化：靶向定量与非靶向筛查
在色谱-质谱联用技术实现高通量检测的基础上，根据研究目的的不同，白酒风味物质分析有靶向定量与非靶向筛查2条技术路径。前者针对已知关键风味物质进行精准测定，后者则对全组分进行无偏解析，二者互为补充，共同构成完整的仪器分析策略。以下分别以UPLC-MS/MS和GC×GC-TOFMS为例，阐述靶向定量与非靶向筛查2类技术路线的核心特点与应用进展。
2.3.1 靶向定量分析
靶向定量分析要求方法具备高灵敏度、高选择性和准确的定量能力。UPLC-MS/MS是白酒风味物质靶向定量分析的核心工具，通过优化色谱柱性能（粒径1.7 μm）与质谱离子传输系统显著提高分离效率与检测灵敏度。在吡嗪类、挥发性硫化物、酚类等痕量关键风味物质定量中优势显著[42]，检测限较传统方法提升10～200倍[43]，可在20 min内实现多组分同步定量[42]，为酱香特征风味、窖香风味物质解析提供高精度数据 支撑[44]。
尽管UPLC-MS/MS在白酒风味分析中已取得显著进展，但仍面临挑战。UPLC-MS/MS所需的前处理复杂，白酒中极性化合物（如氨基酸、多肽）与疏水性风味物质的同步提取需开发更高效的复合净化技术；数据解析难度大，高维质谱数据需结合机器学习算法进行特征提取与模式识别；标准物缺乏，部分新发现风味成分缺乏同位素内标，需加强标准品合成与验证研究。
2.3.2 非靶向筛查分析
非靶向筛查需要分析方法具备高分辨率、宽覆盖范围和强大的结构鉴定能力。GC×GC-TOFMS在峰容量、分辨率和灵敏度方面具有显著优势，尤其适用于白酒等复杂体系的非靶向筛查[45]。该技术通过两级正交色谱柱分离与TOFMS的高扫描速率协同实现分离效率、灵敏度和结构鉴定3大性能的提升，质量精度＜5×10-6。 GC×GC-TOFMS的峰容量达104级，较传统GC-MS提高2个数量级，能够有效分离酱香型白酒中同分异构体，实现了分离效率的跃升；采用电子电离源与低温聚焦技术，使呋喃类化合物检出限低至0.05 ng/L，同时对萜烯类及其衍生物的检测灵敏度显著增强[46]。结合非靶向筛查算法，可在白酒复杂的物质构成中鉴定出更多物质[47-51]，从而更好地鉴别不同酒样间的差异[52-55]。然而，GC×GC-TOFMS设备成本高昂、数据解析复杂且耗时、对操作人员要求较高，限制了其在常规检测中的普及应用。
2.4 非靶向代谢组学：从成分筛查到机制解析
非靶向代谢组学以无预设、全覆盖思路实现风味物质与代谢路径的系统解析，可同时检测数千种代谢物，覆盖低丰度、传统方法易遗漏的成分；解析发酵、贮存过程中风味物质的演变路径；揭示不同香型、不同工艺间的风味化学差异；关联微生物代谢与风味合成，为机制研究提供数据基础；还可用于探究外界因素对风味化合物的影响[56]，为深入理解贮存环节中风味物质演变机制提供新视角，但该方法也存在数据量大、标准化不足、低丰度物质鉴定假阳性率较高等挑战。
2.4.1 代谢物覆盖广度与深度突破
非靶向代谢组学技术通过与HRMS联用，能够同时检测白酒中的数千种代谢物，包括传统靶向分析方法难以检测到的低丰度代谢物[57]。Ni Derang等[58]采用非靶向代谢组学技术对白酒不同发酵阶段的酚类代谢物变化进行系统分析，共鉴定出231种酚类差异代谢物，并通过京都基因与基因组百科全书通路富集分析识别了12条关键代谢通路，揭示了酚类代谢物在发酵过程中的结构转化规律及其对白酒风味的潜在贡献。孔凡华等[59]对五粮液系列白酒的挥发性组分进行非靶向解析，共检出900种化合物，筛选出不同系列间的差异挥发性组分，体现了非靶向代谢组学在白酒全组分筛查中的高通量优势。
综上所述，非靶向代谢组学技术通过其广覆盖性和高深度性，在白酒风味物质全面筛查中发挥了重要作用。未来，随着技术的不断进步和方法的持续优化，非靶向代谢组学将在白酒乃至其他酒类风味研究中发挥更加重要的作用。
2.4.2 风味形成路径的系统解析
非靶向代谢组学通过高通量、无偏倚地检测样品中所有可检测的代谢物，为揭示白酒风味物质的形成路径提供系统而全面的视角。Zhu Min等[60]采用非靶向代谢组学技术，结合宏基因组学和宏蛋白质组学，系统解析了酱香型大曲中芳香化合物的合成路径。非靶向代谢组学技术的另一大优势在于其能够与基因组学、转录组学、蛋白质组学及感官评价数据相结合，形成多维度数据集，从而更全面地解析风味形成机制。Li Jinyang等[61]通过比较正常与异常窖泥中的微生物群落结构和挥发性化合物组成，结合非靶向代谢组学数据，揭示了窖泥微生物对白酒风味形成的关键作用。该研究不仅鉴定了导致窖泥异味的主要微生物和化合物，还通过相关性分析揭示了微生物群落与风味物质之间的复杂关系。
3 数据驱动方法：智能化与精准调控阶段
数据驱动方法将感官评价的“感知结果”与仪器分析的“成分数据”融合，实现从“描述现象”到“预测规律”的跨越。具体而言，机器学习可辅助预测真实白酒基质中的风味阈值，缓解OAV失真；集成学习与多组学交叉验证可降低非靶向代谢组学假阳性率；多组学融合框架（如数据整合分析模块与多组学因子分析模型）可整合多维数据，将相关性分析推进至因果层面；智能感官与嵌入式机器学习模型则为风味品质在线监测提供了可行路径。尽管上述思路在白酒领域仍处于探索阶段，但已初步展现突破瓶颈的潜力。
3.1 机器学习辅助风味研究
机器学习技术通过构建预测模型，能够高效识别白酒中的关键风味物质。Li Shuai等[62]利用机器学习算法对酱香型白酒的质量等级进行分类和预测，成功识别出27种关键风味化合物，包括乙酸、丙酸、乙酸乙酯等，这些化合物对白酒的质量等级具有显著影响。这种基于机器学习的识别方法不仅提高了识别的准确性，还大大缩短了研究周期。
在白酒的发酵过程中，机器学习技术也被广泛应用于过程优化。通过实时监测发酵过程中的关键参数，如温度、湿度、pH值等，利用机器学习模型进行预测和调控，可显著提高发酵效率和产品质量。Lin Longyuan等[63]利用机器学习算法对酱香型白酒的生产工艺进行精准分类，通过分析不同工艺下的风味物质变化，优化了发酵条件，提高了产品的风味品质。
近年来，以卷积神经网络、图神经网络为代表的深度学习方法在食品风味领域展现出更强大的自动特征提取能力。此外，大语言模型（large language model，LLM）也正在为风味科学开辟新的探索方向。然而，上述前沿方法在白酒风味研究中的应用极为有限，主要受限于高质量标注数据集的匮乏、模型可解释性不足以及白酒复杂风味体系对多模态建模的技术挑战。随着白酒风味组学数据的持续积累与跨学科合作的深化，深度学习与LLM有望在风味品质预测、关键风味化合物智能筛选及风味定向设计中发挥更大作用。
3.2 多组学融合解析风味形成机制
多组学融合是数据驱动阶段的核心研究思路，通过整合微生物组、代谢组等多维数据，系统解析风味合成机制。白酒风味物质的形成由原料、微生物群落、酶催化反应及环境因子共同驱动。单一组学技术往往只能提供碎片化信息，难以揭示风味形成的内在逻辑。多组学融合策略通过整合代谢组学、微生物组学、转录组学与蛋白质组学等不同维度的数据，为解析特定风味化合物的合成路径、关键酶基因及调控机制提供全局 视角。
3.2.1 代谢组学与微生物组学联合分析框架
将微生物组学与代谢组学联合分析，可系统解析微生物群落与风味物质的关联；明确关键功能微生物与特征风味合成路径，使风味研究从“成分清单”迈向“机制解析”。该策略通过揭示“哪些微生物→产生了哪些代谢物→贡献于哪些风味特征”通路，将风味研究从成分描述推进至机制解析。根据数据整合方式的不同，可分为相关性分析与多组学整合建模2个层次：前者通过Spearman或Pearson相关性分析，在统计层面建立微生物丰度与代谢物含量的关联；后者则借助多组学整合框架，将不同组学的数据矩阵同步输入模型，识别跨组学的协同变化信号与潜在路径。
3.2.2 联合分析在白酒风味研究中的应用
基于上述框架，研究者已在多项研究中实现了微生物群落与风味物质的有效关联。Niu Jialiang等[64]利用气相色谱-离子迁移谱（gas chromatograph-ion mobility spectrometry，GC-IMS）、GC-MS和GC×GC-MS技术，结合机器学习算法进行数据融合分析，揭示了挥发性成分的动态变化规律及其与风味品质的内在联系。 肖鹏等[65]将高通量测序获得的微生物群落结构与GC-MS检测的风味物质数据进行Spearman相关性分析，发现温度通过塑造微生物群落组成间接调控风味物质的合成与积累，为通过发酵温度优化白酒风味提供了依据。王依文等[66]比较不同季节及层级浓香型白酒窖泥微生物群落多样性与风味物质的相关性，结果表明窖泥微生物群落结构随季节和层级变化而变化，且与风味物质的种类、含量密切相关，为精准调控窖泥微生态提供了新视角。随着多组学技术的发展，将微生物群落数据与代谢组学、机器学习相结合，还可以预测微生物群落变化对风味物质的影响[62]，为优化发酵工艺提供科学依据。
3.3 智能感官技术
色泽、滋味和风味是评价食品品质的重要感官指标，直接影响消费者的选择[67]。电子鼻和电子舌通过传感器阵列模拟嗅觉与味觉系统，原始高维信号经由特征提取与模式识别算法处理，实现风味模式的判别与预测，具有速率快、成本低、标准化程度高的优势。Aliya等[68]将电子鼻和电子舌的传感器响应信号经主成分分析降维后，分别输入支持向量机和随机森林分类器，实现了对白酒风味的精准分类与等级预测。
数据驱动的风味研究方法正逐步从经验总结向智能预测转变，机器学习、多组学融合和智能感官技术等先进技术的应用，为白酒风味研究提供了强大的技术支持（表2）。未来，随着技术的不断进步和数据的不断积累，数据驱动的风味研究方法将在白酒产业中发挥更加重要的作用，推动白酒品质的提升和产业的可持续发展。同时，也需要关注数据隐私保护、算法可解释性等问题，确保技术的规范、有序发展。
表2 数据驱动方法在白酒风味研究中的应用
Table2 Application of data-driven approaches in Baijiu flavor research
方法类型应用场景案例效果机器学习辅关键风味利用机器学习算法分提高识别的准确性识别化合物识别质量等级[62]和效率测和调控[63]和产品质量途径解析生物群落与风味物质的形成路径和调控机器学习算法评价实现对白酒风味的助风味物质类和预测酱香型白酒机器学习优发酵条件实时监测发酵参数，显著提高发酵效率化发酵过程优化利用机器学习模型预多组学融合结合代谢组学、微生系统解析风味物质解析风味形风味物质合成物组学数据，揭示微成机制关系[69]网络智能感官技风味品质电子鼻和电子舌结合术应用客观评价白酒风味[68]精准分类和预测
4 结 语
综上，白酒风味研究已完成从经验主导向数据驱动的范式转变，形成“感官评价-仪器分析-数据智能”三位一体的方法体系。白酒风味研究的方法学演进可清晰地归纳为3个阶段：早期以感官品评与经验总结为主，风味描述依赖品酒师的专业判断；中期引入色谱-质谱联用等仪器分析技术，实现风味物质的定性定量与全组分筛查；近年来，多组学与机器学习的融入使研究具备风味预测与机制解析能力，推动研究迈入数据驱动智能化阶段。3个阶段逐层深入、相互支撑，共同构成从风味感知描述到化合物精准检测、再到数据智能解析的完整方法链条。
尽管取得了显著进展，当前研究仍面临若干核心瓶颈。其一，感官评价的“主观性”与仪器分析的“客观性”之间尚未建立真正的定量关联，OAV计算因基质阈值数据缺失而失真，“检得出”难以等同于“感知得到”。其二，多组学数据的整合分析缺乏统一框架，微生物组、代谢组、转录组等数据之间的因果推断仍较为困难，多数研究停留在相关性层面。其三，从实验室研究到产业应用尚未形成闭环，智能化风味调控与工艺优化的落地案例有限，理论研究与生产实践之间存在明显脱节。
展望未来，白酒风味研究需在以下方向实现突破。在方法学层面，应推动GC×GC-TOFMS与GC-IMS等互补技术的系统融合，建立高分辨质谱数据库与开源风味物质谱图库，为非靶向代谢组学的跨实验室比较提供标准参照；同时发展基于真实白酒基质的阈值测定方法，完善OAV评价体系。在数据驱动层面，应构建面向白酒风味的标准化、高质量多组学数据库，为深度学习模型的训练奠定数据基础。
白酒风味研究的目标是服务产业与消费者。唯有坚持问题导向、突破核心瓶颈，才能真正实现从“风味解析”到“风味设计”的跨越，引领白酒产业迈向智能化、精准化的高质量发展新阶段。
[1] 孙宝国, 吴继红, 黄明泉, 等. 白酒风味化学研究进展[J]. 中国食品学报, 2015, 15(9): 1-8. DOI:10.16429/j.1009-7848.2015.09.001.
[2] 张雪瓶, 陈小静, 文滔, 等. 酱香型白酒风味轮构建及感官特征研究[J].酿酒科技, 2025(1): 130-137. DOI:10.13746/j.njkj.2023339.
[3] 赵笑颍, 沈小梅, 汤有宏, 等. 白酒风味及其检测技术相关研究进展[J]. 酿酒, 2024, 51(6): 6-13. DOI:10.3969/j.issn.1002-8110.2024.06.005.
[4] Qiao Lina, Wang Jing, Wang Ruifang, et al. A review on flavor of Baijiu and other world-renowned distilled liquors[J]. Food Chemistry: X, 2023, 20: 100870. DOI:10.1016/j.fochx.2023.100870.
[5] 张春生, 赵志刚, 王士敏, 等. 基于化学计量学与感官分析的4-甲基苯酚对浓香型白酒香气作用机制研究[J]. 酿酒, 2025, 52(1): 73-80.DOI:10.3969/j.issn.1002-8110.2025.01.019.
[6] 朱明, 丁子元, 郑晓卫, 等. 白酒风味物质成分分析方法及其相关成果研究进展[J]. 酿酒科技, 2022(10): 81-87. DOI:10.13746/j.njkj.2022025.
[7] 吴成林, 胡家艺, 张惟广. 白酒风味物质研究进展及关键技术分析[J]. 食品研究与开发, 2022, 43(3): 207-215. DOI:10.12161/j.issn.1005-6521.2022.03.031.
[8] 骆红波, 张健, 孙优兰, 等. 白酒风味研究技术及酱香型白酒风味研究进展[J]. 酿酒科技, 2024(7): 123-130. DOI:10.13746/j.njkj.2023230.
[9] 胡格, 董凌, 朱小林, 等. 枝江柔雅白酒风味轮的构建及典型感官描述的研究[J]. 酿酒科技, 2025(1): 26-29; 34. DOI:10.13746/j.njkj.2024273.
[10] García-Gómez B, Fernández-Canto N, Vázquez-Odériz M L, et al.Sensory descriptive analysis and hedonic consumer test for Galician type breads[J]. Food Control, 2022, 134: 108765. DOI:10.1016/j.foodcont.2021.108765.
[11] 吕思蕾, 闫亚涵, 沈韵然, 等. 酱香型白酒风味轮构建及感官特性[J].食品科学, 2025, 46(14): 1-6. DOI:10.7506/spkx1002-6630-20241121-160.
[12] 阿如汗, 郝丽刚, 普洋恩, 等. 玉林泉小曲清香型白酒原酒、成品酒风味与感官分析[J]. 酿酒科技, 2024(10): 65-72; 79. DOI:10.13746/j.njkj.2023279.
[13] Rodríguez-Mendoza A V, Arbeláez-Parra S, Amaya-Gómez R, et al.Flavor wheel development from a machine learning perspective[J].Foods, 2024, 13(24): 4142. DOI:10.3390/foods13244142.
[14] Lawless L J R, Civille G V. Developing lexicons: a review[J]. Journal of Sensory Studies, 2013, 28(4): 270-281. DOI:10.1111/joss.12050.
[15] Chen Panpan, Liu Yue, Wu Jihong, et al. Sensory-directed decoding of key aroma compounds from Jiugui-series Baijiu, the representative of Fuyu-flavor-type Baijiu (FFTB)[J]. Journal of Food Composition and Analysis, 2022, 114: 104799. DOI:10.1016/j.jfca.2022.104799.
[16] He Yingxia, Tang Ke, Yu Xiaowei, et al. Identification of compounds contributing to trigeminal pungency of Baijiu by sensory evaluation,quantitative measurements, correlation analysis, and sensory verification testing[J]. Journal of Agricultural and Food Chemistry,2022, 70(2): 598-606. DOI:10.1021/acs.jafc.1c06875.
[17] Solomando J C, Antequera T, Ventanas S, et al. Sensory profile and consumer perception of meat products enriched with EPA and DHA using fish oil microcapsules[J]. International Journal of Food Science &Technology, 2021, 56(6): 2926-2937. DOI:10.1111/ijfs.14932.
[18] Niu Junjie, Yang Yubo, Zhao Lei, et al. Sensory lexicon construction and quantitative descriptive analysis of Jiang-flavor Baijiu[J]. Food Science & Nutrition, 2025, 13(2): e4652. DOI:10.1002/fsn3.4652.
[19] 刘英, 余东, 岳沛, 等. 白酒风味轮及其评价方法在白酒感官评价中的应用研究[J]. 酿酒科技, 2022(3): 58-64. DOI:10.13746/j.njkj.2021249.
[20] Wu Fan, Fan Shaohui, He Guoliang, et al. Comparison of aroma compounds and sensory characteristics between two different types of rice-based Baijiu[J]. Foods, 2024, 13(5): 681. DOI:10.3390/foods13050681.
[21] Ding Hexia, Yang Jiekai, Cheng Mai, et al. Comparative characterization of key compounds of sauce-flavored rounded-Baijiu in Northern and Southern China and the potential possibility of similar quality of their combined products[J]. Food Chemistry: X, 2024, 24:101970. DOI:10.1016/j.fochx.2024.101970.
[22] Måge I, Menichelli E, Næs T. Preference mapping by PO-PLS:separating common and unique information in several data blocks[J].Food Quality and Preference, 2012, 24(1): 8-16. DOI:10.1016/j.foodqual.2011.08.003.
[23] Cao Nian, Yang Yubo, Xiong Xiaoling, et al. Dynamic sensory mapping: how sip volume shapes sensory perception and drinking comfort of Jiangxiangxing Baijiu[J]. International Journal of Food Properties, 2026, 29: 2618833. DOI:10.1080/10942912.2026.2618833.
[24] 孙宝国, 黄明泉, 王娟. 白酒风味化学与健康功效研究进展[J]. 中国食品学报, 2021, 21(5): 1-13. DOI:10.16429/j.1009-7848.2021.05.001.
[25] Wang Lihua, Zhu Lin, Zheng Fuping, et al. Determination and comparison of flavor (retronasal) threshold values of 19 flavor compounds in Baijiu[J]. Journal of Food Science, 2021, 86(5): 2061-2074. DOI:10.1111/1750-3841.15718.
[26] Fan Haiyan, Fan Wenlai, Xu Yan. Characterization of key odorants in Chinese Chixiang aroma-type liquor by gas chromatographyolfactometry, quantitative measurements, aroma recombination, and omission studies[J]. Journal of Agricultural and Food Chemistry, 2015, 63(14): 3660-3668. DOI:10.1021/jf506238f.
[27] Fu Yu, Wang Cheng, He Guoliang, et al. Neurophysiological and multimodal sensory evaluation of Baijiu and food pairing liking[J]. Food Research International, 2025, 221: 117451. DOI:10.1016/j.foodres.2025.117451.
[28] Wang Zhen, Chang Xiaoyue, Hao Wenjun, et al. Study on interaction of aromatic substances and correlation between electroencephalogram correlates of odor perception in light flavor Baijiu[J]. Journal of Agricultural and Food Chemistry, 2024, 72(29): 16519-16529. DOI:10.1021/acs.jafc.4c02979.
[29] Aliya, Jiang Shui, Jiang Xue, et al. Evaluation of flavor perception of strong-aroma Baijiu based on electroencephalography (EEG) and surface electromyography (EMG) techniques[J]. Food Chemistry, 2025, 472: 142893. DOI:10.1016/j.foodchem.2025.142893.
[30] Li Jie, Wang Cheng, Sun Pei, et al. Comparison of post-consumption attention between two different aroma types of Baijiu using the stroop task[J]. Foods, 2025, 14(13): 2352. DOI:10.3390/foods14132352.
[31] Yan Yan, Zou Mingxin, Tang Cui, et al. The insights into sour flavor and organic acids in alcoholic beverages[J]. Food Chemistry, 2024,460: 140676. DOI:10.1016/j.foodchem.2024.140676.
[32] Chen Panpan, Yang Yubo, Sun Jinyuan, et al. Electroencephalography (EEG) design for flavor perception of Baijiu: an investigation into the influence of full-bodied mouthfeel on brain rhythms[J]. Food Chemistry, 2025, 493: 145864. DOI:10.1016/j.foodchem.2025.145864.
[33] Zhang Qian, Shi Jie, Wang Ying, et al. Research on interaction regularities and mechanisms between lactic acid and aroma compounds of Baijiu[J]. Food Chemistry, 2022, 397: 133765. DOI:10.1016/j.foodchem.2022.133765.
[34] 田文静, 武亚帅, 王俊山, 等. 白酒风味密码揭秘程度的研究进展[J].食品科技, 2022, 47(9): 74-82. DOI:10.13684/j.cnki.spkj.2022.09.031.
[35] Engel W, Bahr W, Schieberle P. Solvent assisted flavour evaporation: a new and versatile technique for the careful and direct isolation of aroma compounds from complex food matrices[J]. European Food Research and Technology, 1999, 209(3): 237-241. DOI:10.1007/s002170050486.
[36] Puglisi C, Ristic R, Saint J, et al. Evaluation of spinning cone column distillation as a strategy for remediation of smoke taint in juice and wine[J]. Molecules, 2022, 27(22): 8096. DOI:10.3390/molecules27228096.
[37] 陈红琴, 严梦茹, 严恒, 等. 基于CDs的荧光探针在酒类等发酵食品检测中的研究进展及趋势[J]. 光谱学与光谱分析, 2024, 44(5):1209-1217. DOI:10.3964/j.issn.1000-0593(2024)05-1209-09.
[38] 陈晓漫, 连旭东, 叶思廷. 磁性固相萃取-气质联用-同位素内标法精准检测白酒中8种高级脂肪酸乙酯[J]. 食品科学技术学报, 2024,42(3): 58-69. DOI:10.12301/spxb202201080.
[39] 杨紫萱, 曾珊, 孙敏, 等. 白酒挥发性风味物质检测技术研究进展[J]. 中国酿造, 2024, 43(6): 1-8. DOI:10.11882/j.issn.0254-5071.2024.06.001.
[40] 沈小娟, 丁海龙, 雷翔云, 等. 白酒中风味成分的检测分析技术研究进展[J]. 酿酒科技, 2024(3): 101-107. DOI:10.13746/j.njkj.2023112.
[41] 张维, 张贵宇, 庹先国, 等. 基于NIR和GC-MS融合技术的浓香型白酒原酒等级鉴别[J]. 食品科学, 2024, 45(21): 288-296. DOI:10.7506/spkx1002-6630-20240415-119.
[42] Yan Yan, Chen Shuang, Nie Yao, et al. Quantitative analysis of pyrazines and their perceptual interactions in soy sauce aroma type Baijiu[J]. Foods, 2021, 10(2): 441. DOI:10.3390/foods10020441.
[43] Wang Gaowei, Wang Bowen, Xie Kaijun, et al. Characterization of the content characteristics of pyrazines and volatile phenols in Chinese Baijiu Daqu by QuEChERS-UPLC-MS/MS approach[J].Food Research International, 2025, 204: 115891. DOI:10.1016/j.foodres.2025.115891.
[44] Yan Yan, Lu Jun, Nie Yao, et al. Characterization of volatile thiols in Chinese liquor (Baijiu) by ultraperformance liquid chromatographymass spectrometry and ultraperformance liquid chromatographyquadrupole-time-of-flight mass spectrometry[J]. Frontiers in Nutrition,2022, 9: 1022600. DOI:10.3389/fnut.2022.1022600.
[45] 伍琳, 陈志强, 江伟, 等. 基于全二维气相色谱-飞行时间质谱法对不同品质酱香型白酒的风味组分差异解析[J]. 食品与发酵工业, 2024,50(22): 339-348. DOI:10.13995/j.cnki.11-1802/ts.038129.
[46] Wang Xinlei, Zhu Lin, Song Xuebo, et al. Characterization of terpenoids and norisoprenoids from base and retail Qingke Baijiu by GC × GC-TOFMS and multivariate statistical analysis[J]. Food Science and Human Wellness, 2023, 12(1): 192-199. DOI:10.1016/j.fshw.2022.07.009.
[47] 秦炳伟, 吕志远, 张梦梦, 等. 顶空固相微萃取-全二维气相色谱-飞行时间质谱解析泉香型白酒的风味物质[J]. 食品与发酵工业, 2023,49(18): 289-296. DOI:10.13995/j.cnki.11-1802/ts.034296.
[48] 张有香, 鲁水龙, 叶晖春, 等. 顶空固相微萃取结合全二维气相色谱:飞行时间质谱技术解析典型青稞酒中挥发性组分特征[J]. 酿酒科技, 2023(3): 47-57. DOI:10.13746/j.njkj.2022315.
[49] 何海燕, 覃建良, 覃旺远, 等. 基于全二维气相色谱-飞行时间质谱分析丹泉酱香型洞藏酒挥发性风味物质[J]. 中国酿造, 2024, 43(11):237-241. DOI:10.11882/j.issn.0254-5071.2024.11.037.
[50] 江伟, 伍琳, 吕志远, 等. 基于全二维气相色谱-飞行时间质谱结合多元统计方法解析芝麻香型白酒的风味组分研究[J]. 食品与发酵工业, 2024, 50(23): 293-300. DOI:10.13995/j.cnki.11-1802/ts.038128.
[51] 李斯迈, 杜艳红, 聂建光, 等. 全二维气相色谱-飞行时间质谱技术测定两种不同工艺红星基酒挥发性风味物质[J]. 酿酒科技, 2024(11):27-36; 41. DOI:10.13746/j.njkj.2023293.
[52] 吴凡, 范绍辉, 何国良, 等. 全二维气相色谱飞行时间质谱结合Napping-UFP解析清雅型和米香型白酒的香气差异[J]. 食品与发酵工业, 2023, 49(23): 293-304. DOI:10.13995/j.cnki.11-1802/ts.035392.
[53] 程伟, 陈雪峰, 陈兴杰, 等. 基于GC × GC-TOF-MS法比较两种不同香型白酒的挥发性香气成分[J]. 中国酿造, 2022, 41(9): 215-221.DOI:10.11882/j.issn.0254-5071.2022.09.037.
[54] 叶方平, 沈小梅, 梁臣臣, 等. 基于GC × GC-TOFMS和化学计量学的典型浓香型白酒鉴别分析[J]. 酿酒, 2024, 51(6): 40-45.DOI:10.3969/j.issn.1002-8110.2024.06.014.
[55] 孙辉凡, 吴生文, 林培, 等. 基于GC × GC-TOF MS技术解析3种特香型白酒风味化合物[J]. 中国酿造, 2025, 44(8): 277-285.DOI:10.11882/j.issn.0254-5071.2025.08.040.
[56] 范宸铭, 惠明, 田青, 尤永松. 酱香型原酒贮存期金属元素含量变化及其对风味化合物的影响[J]. 食品科学, 2024, 45(1): 158-165.DOI:10.7506/spkx1002-6630-20230224-224.
[57] Wang Lianqing, Tang Ping, Zhang Pengjie, et al. Unraveling the aroma profiling of Baijiu: sensory characteristics of aroma compounds,analytical approaches, key odor-active compounds in different Baijiu, and their synthesis mechanisms[J]. Trends in Food Science &Technology, 2024, 146: 104376. DOI:10.1016/j.tifs.2024.104376.
[58] Ni Derang, Mao Shuifang, Yang Yubo, et al. Phenolic metabolites changes during Baijiu fermentation through non-targeted metabonomic[J]. Food Chemistry: X, 2024, 23: 101531. DOI:10.1016/j.fochx.2024.101531.
[59] 孔凡华, 李菁菁, 郑佳, 等. 基于非靶向代谢组学解析五粮液系列白酒的挥发性组分特征及差异[J]. 食品安全质量检测学报, 2025,16(4): 203. DOI:10.19812/j.cnki.jfsq11-5956/ts.20241125001.
[60] Zhu Min, Deng Zhao, Tie Yu, et al. Unveiling the synthesis of aromatic compounds in sauce-flavor Daqu from the functional microorganisms to enzymes[J]. Food Research International, 2024, 190: 114628. DOI:10.1016/j.foodres.2024.114628.
[61] Li Jinyang, Ding Ze, Dong Wenqi, et al. Analysis of differences in microorganisms and aroma profiles between normal and off-flavor pit mud in Chinese strong-flavor Baijiu[J]. Journal of Bioscience and Bioengineering, 2024, 137(5): 360-371. DOI:10.1016/j.jbiosc. 2023.12.009.
[62] Li Shuai, Han Yueran, Li Tao, et al. Machine learning discrimination and prediction of different quality grades of sauce-flavor Baijiu based on biomarker and key flavor compounds screening[J]. Food Chemistry:X, 2024, 24: 101877. DOI:10.1016/j.fochx.2024.101877.
[63] Lin Longyuan, Ruan Ziying, Zhang Na, et al. Multi-source data fusion empowered by machine learning enables accurate discrimination of Maotai-flavor Baijiu production techniques[J]. Food Research International, 2026, 228: 118281. DOI:10.1016/j.foodres.2025.118281.
[64] Niu Jialiang, Liu Ruiqi, Li Weiwei, et al. Characterize and explore the dynamic changes in the volatility profiles of sauce-flavor Baijiu during different rounds by GC-IMS, GC-MS and GC × GC-MS combined with machine learning[J]. Food Research International, 2025, 213:116568. DOI:10.1016/j.foodres.2025.116568.
[65] 肖鹏, 高露, 李有明, 等. 温度对清香型白酒发酵过程中微生物群落及风味物质的影响[J]. 食品科学, 2025, 46(14): 16-24. DOI:10.7506/spkx1002-6630-20241230-260.
[66] 王依文, 田瑶瑶, 张克粉, 等. 不同季节及层级浓香型白酒窖泥微生物群落多样性与风味物质的比较及相关性分析[J]. 食品科学, 2025,46(4): 100-109. DOI:10.7506/spkx1002-6630-20240605-023.
[67] 王玉荣, 田龙新, 张振东, 等. 基于智能感官和气相色谱-离子迁移谱分析贮藏年限对酱香型白酒的影响[J]. 食品与发酵工业, 2024,50(14): 305-313. DOI:10.13995/j.cnki.11-1802/ts.037169.
[68] Aliya, Liu Shi, Zhang Danni, et al. Research on the evaluation of Baijiu flavor quality based on intelligent sensory technology combined with machine learning[J]. Chemosensors, 2024, 12(7): 125.DOI:10.3390/chemosensors12070125.
[69] Li Shuai, Han Yueran, Yan Ming, et al. Machine learning and multiomics integration to reveal biomarkers and microbial community assembly differences in abnormal stacking fermentation of sauce-flavor Baijiu[J]. Foods, 2025, 14(2): 245. DOI:10.3390/foods14020245.