应用代谢组学技术预测啤酒发酵过程中的腐败菌

摘要

通过超高效液相四级杆飞行时间串联质谱(UPLC-Q-TOF-MS)的非靶向质谱分析结合机器学习的方法能够预测啤酒是否感染腐败菌。在啤酒发酵过程中，分别添加短乳杆菌Lactobacillus brevis、芽孢杆菌Bacillus、植物乳杆菌Lactobacillus parabuchneri、类布氏乳杆菌Lactobacillus plantarum和葡萄球菌Staphylococcus saprophyticu等啤酒腐败菌的样品并进行代谢组学分析，随后，采用随机森林模型分析代谢组学数据，选取模型的前30%重要特征物质进行通路富集分析。最终发现，发酵初期，胆碱、甘油磷酸胆碱、三乙醇胺、磷脂酰乙醇胺和2-(3-羧基丙酰基)-6-羟基-环六-2,4-二烯羧酸(SHCHC)这些代谢物在腐败啤酒样品比正常啤酒样品中的含量增加，其中：36～48 h腐败啤酒中胆碱的含量高于正常啤酒50%～130%;甘油磷酸胆碱在发酵24 h腐败啤酒中比正常啤酒的含量低10%～30%,随着发酵时间延长，逐渐增加到高于正常啤酒9%以上；三乙醇胺在24 h正常啤酒中的含量最高，比腐败啤酒中的含量高出2～3倍；磷脂酰乙醇胺在96 h时的腐败啤酒中含量比正常啤酒高出6%～13%;SHCHC仅在36 h时的腐败啤酒中检测到。这些物质可以作为啤酒腐败的生物标记物。

关键词

机器学习 / 啤酒腐败菌 / 代谢组学