柑橘精油（富含风味和生物活性化合物）是从柑橘果皮中提取的（占果实质量近40-50%的加工副产品），可以实现柑橘的综合利用，同时减轻环境污染。然而，随着提取工艺参数、分析技术和化合物研究与开发的复杂性不断升级，产生了大规模、复杂的数据集，需要应用先进的计算分析（机器学习）来进行有效的数据处理和分析。
综述亮点
· 总结了构建机器学习模型的一般过程。
· 重点介绍了机器学习在精油开发中的应用。
· 机器学习预测促进了精油行业的发展。
· 深度学习正在逐渐取代传统的学习算法。
· 挑战和创新依然存在。
· 总结了构建机器学习模型的一般过程。
· 重点介绍了机器学习在精油开发中的应用。
· 机器学习预测促进了精油行业的发展。
· 深度学习正在逐渐取代传统的学习算法。
· 挑战和创新依然存在。
综述结论
该综述系统介绍机器学习模型构建的一般工作流程（包括数据收集、预处理、模型选择和模型评估），重点介绍了它们的应用（包括工艺优化、产率预测、可追溯性、掺假认证、关键风味化合物表征和鉴定、风味和生物活性化合物的预测和合成）。随后的章节批判性地讨论了主要的挑战和限制，最后提出了未来的展望。机器学习已经参与到精油行业的各个阶段，其应用从2020年左右开始逐步从传统的机器学习算法（依赖于手动特征提取）过渡到深度学习算法（采用神经网络进行自动特征学习）。这一技术进步显著提高了生产效率、质量控制、风味调节和生物活性化合物的开发。为了进一步加快机器学习在这一领域的实施，未来的工作应优先考虑：建立全面的公共数据库；特定领域数据预处理方法的发展；质量控制关键特征的识别；混合多任务建模的研究进展计算模拟与生物验证的必要性提高可解释性和商业适用性。
原文链接https://doi.org/10.1016/j.tifs.2025.105347
该综述系统介绍机器学习模型构建的一般工作流程（包括数据收集、预处理、模型选择和模型评估），重点介绍了它们的应用（包括工艺优化、产率预测、可追溯性、掺假认证、关键风味化合物表征和鉴定、风味和生物活性化合物的预测和合成）。随后的章节批判性地讨论了主要的挑战和限制，最后提出了未来的展望。机器学习已经参与到精油行业的各个阶段，其应用从2020年左右开始逐步从传统的机器学习算法（依赖于手动特征提取）过渡到深度学习算法（采用神经网络进行自动特征学习）。这一技术进步显著提高了生产效率、质量控制、风味调节和生物活性化合物的开发。为了进一步加快机器学习在这一领域的实施，未来的工作应优先考虑：建立全面的公共数据库；特定领域数据预处理方法的发展；质量控制关键特征的识别；混合多任务建模的研究进展计算模拟与生物验证的必要性提高可解释性和商业适用性。
原文链接https://doi.org/10.1016/j.tifs.2025.105347
