隨著生物科技與食品科學的快速發展，如何精準掌握真菌固態發酵（Solid-State Fermentation，簡稱SSF）過程中的氣味變化，已成為提升產品品質與開發新風味的關鍵。近期發表於《npj 科學食品》（npj Science of Food）的一項研究，針對真菌固態發酵的氣味特徵進行了系統性建模，為食品工業與生物製程提供了全新的分析視角。
真菌固態發酵（Solid-State Fermentation，SSF）作為一種廣泛應用於食品加工與生物製藥的技術，其核心在於利用微生物在固體基質上生長，進而產生多樣化的代謝產物。然而，發酵過程中產生的揮發性有機化合物（Volatile Organic Compounds，簡稱VOCs）極為複雜，這些氣味分子不僅決定了最終產品的感官品質，也反映了微生物的代謝活性。過去對於氣味特徵的評估多依賴感官品評，缺乏客觀且具預測性的量化模型。

研究團隊指出，由於固態基質的異質性與發酵環境的動態變化，氣味特徵的演變往往難以捉摸。傳統分析方法難以即時捕捉發酵過程中氣味組成的細微波動，這限制了製程優化的精確度。透過建立氣味特徵模型，研究人員試圖將複雜的化學訊號轉化為可預測的數據，這不僅能協助監控發酵進度，更能為風味控制提供科學依據，進而提升發酵產品的市場競爭力與穩定性。

氣味特徵建模的技術路徑

為了建立精確的氣味特徵模型，研究團隊採用了多維度的數據分析方法，整合了氣相層析質譜儀（Gas Chromatography-Mass Spectrometry，簡稱GC-MS）的檢測數據與感官評估結果。透過對揮發性有機化合物（VOCs）的定性與定量分析，研究人員識別出關鍵的氣味活性化合物，並將這些化學數據與微生物的生長曲線進行關聯分析，成功構建出能夠描述發酵過程中氣味演變的數學模型。

該模型不僅考量了單一化合物的濃度變化，更納入了不同化合物之間的協同效應與掩蔽效應。研究顯示，透過機器學習（Machine Learning，簡稱ML）演算法的輔助，模型能夠在發酵初期即預測出後期的氣味走向。這種預測能力對於工業生產至關重要，因為它允許操作人員在發酵過程中進行即時調整，確保最終產品的風味特徵符合預期標準，同時減少因發酵失敗而造成的資源浪費。

產業應用前景與未來展望

這項研究成果為食品工業帶來了顯著的應用價值，特別是在風味優化與品質控管方面。透過應用氣味特徵模型，業者可以更精準地調控發酵參數，例如溫度、濕度與通氣量，以誘導微生物產生特定的風味分子。這不僅有助於開發具有獨特風味的發酵食品，也能在不改變原料的前提下，透過製程優化提升產品的附加價值，滿足消費者對於高品質與多樣化風味的需求。

展望未來，研究團隊認為該建模方法具有高度的可擴展性，未來可進一步應用於不同類型的基質與菌種組合。隨著數據庫的不斷擴充，氣味特徵模型將變得更加精確與全面。這項技術的普及，預計將推動固態發酵產業從傳統的經驗導向轉型為數據驅動的精密製造，為全球食品科技的創新發展奠定堅實的基礎，並為相關產業的永續發展提供強而有力的技術支撐。

Newsflash | Powered by GeneOnline AI
For any suggestion and feedback, please contact us.
原始資料來源: GO-AI-6號機
Date: June 19, 2026