鹅蛋，作为重要的禽蛋食品来源，以其比鸡鸭蛋更高的脂质和蛋白质含量而备受青睐。然而，正所谓“成也萧何，败也萧何”，这份“营养丰富”也带来了一个不小的挑战：相对较高的不饱和脂肪水平使得鹅蛋在储藏过程中更容易发生氧化和品质劣变。在食品工业实践中，未受精蛋、淘汰蛋以及部分孵化蛋通常需要经过一段时间的低温或冷藏储存，以适应生产计划和运输需求。在此期间，鹅蛋内部会发生一系列物理化学和生化变化。尽管代谢组学已在肉类科学研究中得到广泛应用，但关于鹅蛋冷藏过程中非挥发性代谢物变化的信息仍然有限。与鸡鸭蛋相比，鹅蛋的脂质组成和理化特性存在显著差异，其腐败过程和代谢模式可能与众不同。因此，深入了解鹅蛋冷藏期间的代谢动态，对于准确识别早期腐败信号、改进货架期预测和提升质量控制至关重要。
为了解决上述知识空白，由曹植、齐尚宗、鲍强、徐琪、陈国宏和张扬等研究人员组成的研究团队，在《LWT》期刊上发表了一项开创性的研究。他们巧妙地结合了非靶向代谢组学与机器学习算法，首次系统性地描绘了鹅蛋在4°C冷藏条件下（第1、15、30、60天）的动态代谢图谱。研究旨在筛选潜在的标志性代谢物，并识别与鹅蛋腐败相关的关键代谢通路。
为了开展这项研究，研究人员主要运用了以下几个关键技术方法：研究使用了中国苏州香云太湖鹅有限公司提供的太湖鹅蛋作为样本队列。首先，通过超高效液相色谱-串联质谱(UHPLC-MS/MS)技术进行非靶向代谢物检测和定量分析，以全面获取代谢组数据。其次，研究团队运用了包括主成分分析(PCA)、正交偏最小二乘判别分析(OPLS-DA)在内的多元统计分析，以及Mfuzz聚类进行时间趋势分析，以识别差异代谢物和动态变化模式。最后，为了精准筛选与腐败相关的关键代谢物，研究人员整合了两种机器学习算法——随机森林(RF)和最小绝对收缩与选择算子(LASSO)回归——进行模型构建和特征选择，并结合双向正交偏最小二乘分析(O2PLS)模型来关联代谢物与蛋品质指标。
研究结果丰富而具体，系统揭示了鹅蛋冷藏过程中的代谢变化全景：
3.1. 冷藏期间蛋品质的变化
研究发现，随着冷藏时间延长，鹅蛋的品质发生了显著变化。蛋黄和蛋白的pH值均随储藏时间增加而升高，特别是在30天后出现显著上升，表明碱性物质在积累。衡量蛋新鲜度的关键指标——哈夫单位(HU)——则与储藏时间呈显著负相关，在冷藏30天后急剧下降，表明新鲜度大幅丧失。蛋黄对冷藏更为敏感，其重量和直径在储藏第15天就出现了显著变化。而蛋白重量则随储藏时间显著下降，这可能反映了蛋白质的降解。总体而言，冷藏显著影响了鹅蛋的新鲜度，在储藏30天后观察到明显的品质劣变。
3.2. 代谢表型分析
通过对四个储藏时间点（D1， D15， D30， D60）的代谢组分析，共鉴定出1073种代谢物。其中氨基酸及其衍生物（28.6%）和脂质及其衍生物（21.9%）是主要的代谢物类别，为鹅蛋提供了必需营养。尽管四个时间点的总体代谢物组成基本一致，但组间样本相似性存在明显差异。D1和D15样本表现出较高的相似性，而D30和D60则与早期阶段差异较大，表明随时间推移代谢分化加剧。值得注意的是，氨基酸、辅酶和维生素、芳香族化合物、有机酸和脂质随时间逐渐积累，在第30天达到峰值，暗示在储藏中期代谢活性增强或化合物富集。
3.3. 差异代谢物分析
主成分分析(PCA)得分图显示，D1和D15聚集在一起，D30和D60形成另一个簇，表明代谢谱与储藏时间密切相关。正交偏最小二乘判别分析(OPLS-DA)进一步显示，D15和D30之间以及D30和D60之间存在清晰分离。通过分析，在所有比较中总共识别出602个差异代谢物。这些差异代谢物主要归类为醇类和胺类、碳水化合物、氨基酸、脂肪酸(FA)、甘油磷脂(GP)和有机酸。其中许多代谢物在储藏后期积累，这与观察到的鹅蛋新鲜度下降相吻合。
3.4. 鹅蛋冷藏期间代谢通路的变化
通过Mfuzz聚类进行时间序列趋势分析，将所有检测到的代谢物分为六个不同的簇。其中，第2簇（n = 142）的代谢物随储藏时间逐渐增加，而第4簇（n = 125）则持续减少。通过将差异代谢物与第2簇和第4簇的代谢物取交集，最终确定了52个持续上调和47个持续下调的特征代谢物。通路富集分析表明，丁酸代谢、酪氨酸代谢、嘧啶代谢和脂肪酸代谢等通路与储藏时间呈正相关。相反，嘌呤代谢和其他核苷酸相关通路则呈负相关。拓扑通路分析进一步确定了四个核心代谢通路在冷藏期间显著富集，其中酪氨酸代谢和嘧啶代谢最为突出。
3.5. 冷藏鹅蛋中关键代谢物的鉴定
为了筛选冷藏期间显著变化的关键代谢物，研究采用随机森林(RF)和LASSO回归两种机器学习算法对新鲜鹅蛋（D1）和冷藏鹅蛋（D15、D30和D60）的代谢组数据进行特征选择分析。随机森林模型根据基尼指数对特征重要性进行排序，筛选出对组间分离贡献最大的前100个代谢物。LASSO回归通过五折交叉验证确定了最优惩罚参数λ，识别出52个非零系数特征（即关键区分代谢物）。所有模型的ROC曲线下面积(AUC)值均超过0.9，显示出强大的判别能力。进一步，对两种机器学习方法筛选出的代谢物与K-means聚类中持续上升的特征取交集，最终筛选出5个在三种模型中均显示为关键变量的重要代谢物。
3.6. 鹅蛋腐败相关生物标志物化合物的鉴定
通过整合关键代谢物与实测品质指标进行K-means聚类分析，识别出几个不同的亚类。其中，第1类包含10个随储藏时间持续增加的品质性状和482个差异代谢物。鉴于第1类中10个品质指标在冷藏期间逐步增加，研究构建了一个O2PLS（双向正交偏最小二乘）模型来识别与这些表型参数共变的代谢物。O2PLS模型的联合载荷图识别出四个与蛋品质性状强共变的代谢物，即3-羟基丁酸、6-氨基烟酰胺、Gly-His（甘氨酸-组氨酸二肽）和马来酸。这些代谢物位于联合载荷空间的极端位置，表明其对模型解释的贡献度高。进一步的统计分析显示，这四种代谢物在储藏结束时的丰度（D60）显著高于初始阶段（D1），这支持了它们作为与鹅蛋品质劣变相关的标志代谢物的潜力。
在讨论与结论部分，研究强调了其发现的重要意义。该研究首次系统阐明了鹅蛋冷藏过程中非挥发性代谢物的动态变化规律。研究发现，蛋白质氧化降解和脂质氧化是导致鹅蛋新鲜度下降的关键驱动力。通过时间序列分析和机器学习筛选，研究成功识别出52个持续上调和47个持续下调的特征代谢物，并发现嘌呤代谢、嘧啶代谢和酪氨酸代谢等通路在腐败过程中扮演核心调控角色。尤为重要的是，研究通过整合随机森林、LASSO回归和O2PLS模型，鉴定出3-羟基丁酸、6-氨基烟酰胺、Gly-His和马来酸这四个与鹅蛋腐败密切相关的候选生物标志物。这些代谢物反映了与氧化降解和蛋白质分解代谢相关的关键过程，是早期腐败检测的有前景的分子指标。
这项研究不仅深化了对禽蛋腐败生化过程的理解，更重要的是，它建立了一个基于代谢物特征的预测框架。该框架和识别出的生物标志物具有转化为实际应用的巨大潜力，例如开发用于工业质量监控的快速新鲜度检测工具，或集成化学传感器的智能包装系统，以实现对鹅蛋冷链储藏过程中品质的实时、无损评估。这为改善禽蛋产品的储存管理、减少食品损失、提升行业质量控制水平提供了宝贵的理论依据和技术支持。
