双流Transformer融合PTR-ToF-MS挥发物与靶向非挥发代谢物，在24个独立样本上以95.8%准确率区分白牡丹白茶四个等级
核心概要
该研究用PTR-ToF-MS采集白牡丹白茶顶空挥发物指纹、用HPLC与氨基酸分析等定量非挥发代谢物，构建双流Transformer分别编码两种模态再融合做四分类，在120个样本（每等级30个，训练96、独立预测24）上取得独立预测集95.8%准确率（23/24）与0.958宏平均F1，仅1个特级样本被误判为一级，训练集内重复分层五折交叉验证平均准确率0.979±0.026，SHAP与注意力分析显示高等级茶与花香/甜香挥发物离子及较高氨基酸、可溶性糖相关，低等级茶与青草/木香挥发物离子及山奈酚相关标记相关。
Multimodal Transformer architecture for Baimudan white tea quality grading.
PubMed深度剖析
双流Transformer将PTR-ToF-MS挥发物指纹（268维）与靶向非挥发代谢物（34维）分别编码后融合，在独立预测集（n=24，每等级6个）上达到0.958准确率与0.958宏平均F1，仅1个特级样本被判为一级。 以往白牡丹等级研究多单独分析挥发物或非挥发物模态、依赖线性化学计量学或单模态模型，本文把两种化学模态在融合前各自保留模态特异表征，并报告了独立留出集的四分类结果。 独立预测集完全留出，未用于训练、超参数选择、早停或归一化；训练集内做3次重复×5折分层交叉验证共15次验证运行，平均准确率0.979±0.026、宏平均F1 0.977±0.028；每折归一化参数仅用训练部分拟合以避免信息泄漏。
SHAP归因与模态特异自注意力热图共同指出等级判别同时依赖挥发物与非挥发物特征：高等级（特级+一级）富集苯乙醛、γ-壬内酯、乙酸乙酯、芳樟醇等花香/甜香相关离子以及缬氨酸、总可溶性糖，低等级（二级+三级）富集1-辛烯-3-醇、顺-3-己烯-1-醇、(E)-2-己烯醛等青草/木香离子与山奈酚相关变量。 该研究把注意力融合与SHAP解释结合，给出跨香气与滋味化学的等级判别驱动因子清单，而非仅报告分类精度。 基于前20个按平均绝对SHAP值排序的化学变量，配合文献支持的感官/滋味标注表与等级均值统计；作者明确这些感官标注为文献推导的描述符，不构成直接感官验证或因果归因。
模型置信度分析显示120个样本中79%的top-1概率大于0.95，误判样本置信度降低、香农熵升高，且top-1概率经可靠性图检验与经验准确率大体一致。 这为自动化分级流程中的概率/熵阈值拒识策略提供了依据，而不仅是给出单一分类结果。 基于全部120个样本的top-1概率与香农熵分布，以及按置信度分箱的可靠性图；作者将其定位为支持自动化筛选或拒识的潜在用途。
融合嵌入的t-SNE投影显示样本大体按等级成簇，被误判的预测样本位于特级与一级边界附近，提示其为边界化学特征而非随机不稳定。 该可视化把误判个案与等级间化学连续性联系起来，补充了混淆矩阵之外的表示空间证据。 t-SNE为描述性可视化（perplexity=20、n_iter=600、exact方法、随机种子7），作者说明其不影响模型训练或评估，正式性能评价仅用独立预测集。
启示与展望
该结果面向白牡丹白茶在GB/T 22291-2017四等级体系下的仪器辅助分级，适用于同一品种（福鼎大白）、同一采收期（2023年春季）、同一供应商分级的120个样本这一设定；对希望用PTR-ToF-MS加靶向非挥发代谢物替代或补充感官评审的茶叶质量控制与检测场景，它提供了可复现的双流Transformer流程、模态特异注意力与SHAP解释，以及基于概率/熵的拒识思路。作者指出，要评估泛化性、可迁移性与稳健性，还需使用来自其他采收年份、生产商、地理产地与加工批次的独立样本做更广泛的外部验证。
感官相关解读为探索性：所用感官子分数是供应商按GB/T 22291-2017常规商业分级提供的档案记录，本研究未另行组织感官评审，因此化学标记与香气/滋味属性的关联应视为情境性关联而非因果或确定性感官标记，仍需针对性感官验证。等级判别中没食子酰化儿茶素（EGCG/ECG）与咖啡因在高等级组偏高，作者提示这可能反映批次特异的原料或加工特征，并可能被同时升高的氨基酸与可溶性糖在感官上缓和。此外，独立预测集规模较小（每等级6个），且全部样本来自单一采收期，跨年份、产地与批次的表现仍是待解问题；本文为全文阅读，但部分支撑细节位于补充表格与图中，若需逐项数值仍需查阅补充材料。