研究人员报告了一种快速方法，可预测智利红葡萄酒葡萄中 3-异丁基-2-甲氧基吡嗪（IBMP）的含量。这种化合物与植物性或“绿色”香气有关，当其含量较高时，可能会降低部分葡萄酒的感知品质。
这项研究于 6 月 4 日发表在 OENO One 上，测试了吸收-透射激发-发射矩阵光谱技术，即 A-TEEM，并结合机器学习模型，作为目前常用于测定 IBMP 的气相色谱-质谱方法的替代筛查工具。现行标准方法灵敏度很高，但成本高、速度慢，而且技术要求高。
该研究聚焦于在智利种植的四个红葡萄品种：Cabernet-Sauvignon、Carménère、Merlot 和 Cabernet franc。论文称，研究人员分析了来自 72 个葡萄园、跨越四个采收年份的样品，时间分别为 2020 年至 2022 年以及 2024 年。总计，他们制备了 2,400 个葡萄提取物样品用于 A-TEEM 分析，并使用了超过 550 个葡萄样品的参考测定结果，这些样品通过 SPME-GC-MS/MS 获得，这是一种用于超痕量香气化合物的标准实验室技术。
IBMP 之所以重要，是因为它会在未成熟葡萄中积累，并且随着果实成熟通常会下降。在红葡萄酒中，尤其是 Cabernet-Sauvignon 中，它与青椒及其他植物性气息相关。论文指出，红葡萄酒中的感官阈值通常被报道在 2 至 16 ng/L 之间，这意味着即使极少量也可能影响香气。
这一低阈值也是酒庄和种植者在采收前监测该化合物的原因之一。但将样品送往专业实验室可能需要数天甚至更久，这会限制对采收日期或葡萄园干预措施的决策。更快的检测方法可以帮助生产者更迅速地判断成熟度，并管理这一对葡萄酒风格和市场接受度具有直接影响的感官标志物。
作者表示，他们的目标是开发一种每个样品检测时间少于 10 分钟的分析方法。A-TEEM 光谱可同时捕捉 UV-Vis 吸收数据和荧光激发-发射信息，为每个样品生成大量光谱指纹。在这项研究中，每个样品产生了超过 10,000 个变量，随后通过多变量模型进行处理。
为建立并测试该系统，研究人员按 75:25 的比例将数据分为校准集和测试集。这样得到 1,816 个用于校准的样品和 584 个用于测试的样品。他们还采取措施避免所谓的重复样本陷阱，将同一原始样品的重复测量放在一起，以免在验证过程中人为提高模型表现。
表现最佳的模型采用了支持向量机回归。论文报告称，其校准、交叉验证和测试预测的均方根误差均低于 0.4 ng/kg，测试集的 R² 为 0.879，校准集约为 0.93。作者表示，这些误差水平远低于红葡萄酒中 IBMP 最低常见感官阈值。
基于这些结果，团队估算 A-TEEM 方法的检出限为 1.32 ng/kg，定量限为 4 ng/kg。这一灵敏度不及使用同位素标记标准品的最先进 GC-MS/MS 方法，后者可检测更低浓度，但研究人员认为，这一光学方法已处于适合在相关感官阈值附近对葡萄进行筛查的实用范围内。
该研究还测试了该方法能否将样品区分为高于或低于一个实际决策点，即 2 ng/kg。对于这一分类任务，研究人员同样使用了支持向量机模型。他们报告 Matthews correlation coefficient 为 0.970，并表示低于 2 ng/kg 的组别没有任何误判样品。测试集在 584 个样品中出现了 5 个假阳性，不足 1%。
作者指出，在葡萄提取物中测得的 IBMP 通常会比成品酒中高一些，大约高出 30%，因为这种化合物在酿造过程中很容易被萃取出来。即便如此，他们认为，在葡萄阶段基于阈值的筛查工具仍可用于采收决策。
论文将新结果与此前关于 A-TEEM 预测葡萄匀浆中 IBMP 的研究进行了对比。在早先那项研究中，预测误差和检出限都高于本文结果。作者认为，这一改进可能有多种原因，包括样本集和成熟条件不同。在前一项研究中，葡萄覆盖了更广泛的成熟度范围，并按果粒密度分选；而在新研究中，葡萄是在采收时直接分析，没有分选。
研究人员还表示，IBMP 本身不太可能直接导致 A-TEEM 捕捉到的荧光信号。相反，他们认为该方法检测的是更广泛的分子指纹，而这种指纹通过葡萄提取物中的其他化合物与 IBMP 浓度相关联。
这一点可能关系到该技术在商业上的使用方式。由于它基于相关性，而非仅对 IBMP 分子本身进行直接识别，因此它或许更适合作为快速筛查工具，而不是确认性实验室分析的完全替代方案。不过，其速度和较低的预期成本，可能会让它对在采收期间处理大量地块批次的酒庄具有吸引力。
对于饮料行业而言，这意味着可以更快决定何时采摘果实，并更好地控制由易感品种酿造葡萄酒中的不受欢迎植物性特征。在实践中，酒庄可以利用这类筛查，在决定采收时间或调配方案之前，先标记接近或达到感官风险水平的批次。
这项研究由 Adam Gilmore、Han Wang、David Jeffery、Ricardo Luna、Alvaro Gonzalez、Jorge Zincker 和 Monica Rodríguez Campos 主导。论文以短文形式发表于 OENO One 第 60 卷第 2 期，于 2 月 9 日收到，4 月 30 日接受，并于 6 月 4 日发表。
作者将这些发现描述为证据，表明结合机器学习的 A-TEEM 有潜力成为一种廉价、快速且准确的方法，用于筛查易呈现绿色香气特征的红酿酒葡萄品种提取物中的 IBMP。
