Food Chemistry X· 2026Q1
Çoklu-omik ve makine öğrenimi, fermente ciba biberinde çeşit kaynaklı lezzet farklılaşmasının altında yatan mekanizmaları ortaya koyuyor
Multi-omics and machine learning reveal the mechanisms underlying cultivar-driven flavor differentiation in fermented ciba chili
- 0atıf
- Q1SCImago
- 2026yıl
Kısa özet
Çoklu-omik ve makine öğrenimi yaklaşımı, fermente ciba biberindeki lezzet farklılıklarını yönlendiren 20 temel metaboliti ve çeşide özgü bakteri topluluklarını belirledi; LCP geç dönem asit/ester zenginleşmesini, ICP daha erken ester oluşumunu, DCP ise alkol, keton, furan ve pirazin birikimini destekledi.
Yapay zekâ ile başlık ve abstract'tan üretildi; tam metin okunmaz.
Ana noktalar
- Çeşit özgüllüğü, fermente sonuçlarını derinden şekillendirerek belirgin uçucu profillere (asitler, esterler, aldehitler, alkoller, ketonlar, furanlar, pirazinler) ve metabolik zenginleşmelere (organik oksijen içeren bileşikler, organik asitler, organoheterosiklik bileşikler, lipitler, benzenoidler) yol açar.
- Rastgele orman modeli, fenilpropanoid metabolizması, lipit oksidasyonu, purin kofaktör metabolizması ve nitrojen metabolizması ile ilişkili çeşit sınıflandırması için kritik olan 20 temel ayırt edici metabiliteyi belirledi.
- Bakteriyel ardışık dizilim çeşitlere göre farklılık gösterdi; DCP'de Lactiplantibacillus, LCP'de Weissella hakimken, ICP'de gecikmiş Weissella hakimiyeti görüldü.
- Korelasyon analizi, asitleşme, nitrojen metabolizması, lezzet öncüleri, karmaşık aromalar ve keskinlik üzerinde etkili olan çeşide özgü bakteri-metabolit ağlarını ortaya koydu.
Yapay zekâ ile başlık ve abstract'tan üretildi; tam metin okunmaz.
Özet (abstract)
Ciba chili quality is strongly influenced by raw material characteristics, but the cultivar-driven mechanisms underlying quality differentiation remain unclear. Ciba chili made from Inner Yellow New Generation (ICP), Lantern (LCP), and Devil's (DCP) peppers was comprehensively investigated using physicochemical analysis, GC-IMS, UHPLC-MS/MS untargeted metabolomics, 16S rRNA sequencing, and machine learning. Cultivar specificity profoundly shaped fermentation results. Volatile profiling revealed late-stage acid and ester enrichment in LCP, higher aldehyde retention alongside earlier ester formation in ICP, and an enrichment of alcohols, ketones, furans, and pyrazines in DCP. Furthermore, untargeted metabolomics showed that LCP, ICP, and DCP were enriched in organic oxygen-containing compounds, organic acids and organoheterocyclic compounds, and lipids and benzenoids, respectively. A random forest model utilizing these metabolites showed superior classification performance, and SHAP analysis further identified 20 core discriminatory metabolites contributing to cultivar classification. KEGG analysis traced flavor differentiation to phenylpropanoid metabolism, lipid oxidation, purine cofactor metabolism, and l -glutamine-mediated nitrogen metabolism. Cultivar-dependent bacterial succession was observed: DCP was dominated by Lactiplantibacillus , LCP by Weissella , and ICP showed delayed, less coordinated Weissella dominance. Crucially, correlation analysis revealed bacteria metabolite networks: LCP exhibited strong negative associations, ICP showed a balanced network linking acidification, nitrogen metabolism, and flavor precursors, while DCP displayed pronounced coupling associated with complex aromas and pungency. This study establishes an integrated multi-omics and machine learning framework to elucidate how chili cultivar drives quality differentiation, providing theoretical support for cultivar selection and flavor oriented industrial fermentation.
Yazarların özeti; kaynağından alınmıştır. Food Chemistry X, 2026 · DOI ↗
Ücretsiz hesapla devam et
Makaleye Sor ile bu makaleye günde 3 soru ücretsiz; makaleyi kaydet, kaynakçasını al, ilgi alanına göre her gün yeni özetler. Çıkarımlar Premium.
Web'de ücretsiz devam etGoogle ya da Apple hesabınla giriş; kart istemez. Bu makaleye geri dönersin.
Telefonda:
Alan: Gıda Bilimi
Food ScienceAgricultural and Biological Sciences