机器学习和多omics集成揭示生物标记物和微生物社区组装差异异异常态堆叠发酵味的Baijiu
Shuai Li1, Yueran Han2, Ming Yan2
1College of Liquor and Food Engineering, Key Laboratory of Fermentation Engineering and Biological Pharmacy of Guizhou Province, Guizhou University, Guiyang 550025, China.
Foods (Basel, Switzerland)
|January 25, 2025
概括
这项研究使用机器学习和多omics来识别异常Baijiu发酵的生物标志物. 它揭示了微生物和风味差异,为控制发酵质量提供了洞察力.
科学领域:
- 食品科学 食品科学 食品科学
- 微生物学 微生物学
- 生物技术是生物技术.
背景情况:
- 堆叠发酵对于汁风味的Baijiu生产至关重要.
- 冬季生产经常经历异常发酵 (腰线,低温),影响产量和质量.
研究的目的:
- 开发一个机器学习模型来分类异常的Baijiu发酵.
- 识别与异常发酵相关的微生物和风味生物标志物.
- 了解导致异常发酵的生态和代谢因素.
主要方法:
- 应用机器学习 (逻辑回归,KNN,随机森林) 与多omics数据 (元基因组学,风味组学).
- 使用SHAP分析来识别生物标志物和冗余分析 (RDA) 来获得生态洞察力.
- 进行了差异基因分析和KEGG通路丰富.
主要成果:
- 确定了正常和异常发酵的特定微生物 (例如,Komagataeibacter,Lactobacillus) 和风味 (酸,) 生物标志物.
- 在异常发酵中发现了明显的细菌 (随机) 和真菌 (决定性) 社区组装模式.
- 湿度被确定为推动次温发酵的重要因素.
结论:
- 这项研究为异常的Baijiu发酵提供了一个强大的分类模型.
- 确定了导致发酵异常的关键微生物和风味贡献者.
- 提供了优化Baijiu堆叠发酵和质量控制的理论基础.
更多相关视频
09:38Single-throughput Complementary High-resolution Analytical Techniques for Characterizing Complex Natural Organic Matter Mixtures
Published on: January 7, 2019
8.5K
09:29Using the Open-Source MALDI TOF-MS IDBac Pipeline for Analysis of Microbial Protein and Specialized Metabolite Data
Published on: May 15, 2019
19.3K
