类目筛选（计算机学者）
清除筛选
-
模型类型
-
机器学习/统计学习
-
偏最小二乘法
-
支持向量机
-
随机森林
-
K-近邻
-
梯度提升决策树
-
主成分分析/判别分析
-
逻辑回归/贝叶斯
-
智能手机/其他
-
-
深度学习
-
卷积神经网络
-
循环神经网络
-
目标检测网络
-
图像分割网络
-
生成对抗网络
-
图神经网络
-
序列到序列/编码-解码
-
其他深度学习结构
-
-
大模型与 LLM
-
大语言模型
-
视觉基础模型
-
多模态基础模型
-
知识图谱与 LLM 集成
-
垂直领域微调/指令调优
-
检索增强生成
-
-
模型设计/优化策略
-
迁移学习/领域自适应
-
小样本学习
-
模型可解释性
-
模型轻量化/边缘计算
-
特征工程与选择策略
-
超参优化/自动机器学习
-
强化学习
-
-
-
模型任务
-
分类/鉴别/等级评定
-
定量预测/回归分析
-
缺陷/异物检测与定位
-
过程控制与实时优化
-
知识抽取与语义理解
-
设计/生成与推荐
-
模拟与数字孪生
-
-
模型数据
-
来源
-
可见光/RGB/视频数据
-
高光谱/多光谱光谱
-
红外/拉曼光谱数据
-
时序传感器/物联网数据
-
组学数据
-
质构/流变/感官数据
-
文本/知识库/法规数据
-
多模态/融合数据
-
-
量级
-
小规模数据集
-
中等规模数据集
-
大规模数据集
-
超大规模/工业级数据集
-
公开数据集
-
合成/仿真数据为主
-
-
深度筛选（食品学者）
清除筛选
-
研究对象/基质维度
-
谷物/块根/豆与坚果类
-
小麦
-
玉米
-
大米
-
杂粮
-
马铃薯
-
其他根茎类
-
其他谷物与块根
-
豆类与坚果（及籽类）
-
-
肉类/蛋类与水产品
-
畜肉
-
禽肉
-
鱼肉
-
甲壳类
-
软体与贝类
-
内脏及副产物
-
其他肉与水产品
-
蛋类及其制品
-
-
乳及乳制品
-
液态乳
-
发酵乳/酸奶
-
奶酪
-
乳粉
-
乳清及乳清制品
-
其他乳制品
-
-
水果/蔬菜与菌菇类/植物类
-
新鲜水果
-
新鲜蔬菜
-
果蔬汁/浓缩汁
-
果蔬干/果脯/蔬菜干
-
其他果蔬制品/植物类
-
食用菌菇
-
食用花卉
-
-
油脂及油脂制品
-
植物油
-
动物油脂
-
起酥油/人造脂肪
-
油炸食品
-
其他油脂制品
-
-
饮料
-
果蔬饮料
-
茶/茶饮料
-
咖啡饮料
-
乳饮料
-
功能/运动饮料
-
碳酸饮料
-
酒精饮料
-
其他饮料
-
-
糖、焙烤与糖果制品
-
面包
-
蛋糕/糕点
-
饼干/薄脆制品
-
糖果
-
巧克力及含可可制品
-
其他焙烤与糖果制品
-
蜂蜜等天然糖
-
-
发酵食品及酱腌制品
-
大豆发酵制品
-
蔬菜发酵制品
-
发酵豆制品
-
谷物发酵食品
-
肉类发酵制品
-
水产发酵制品
-
其他酱腌/发酵食品
-
-
复合/即食/餐饮食品
-
方便面及速食米面
-
预制菜/即食菜肴
-
冷冻方便食品
-
罐头菜肴
-
餐饮菜品与团餐
-
其他复合食品
-
-
新资源食材
-
昆虫蛋白
-
微藻及藻类产品
-
单细胞蛋白
-
细胞培养肉
-
其他新资源食材
-
-
食品添加剂与配料
-
碳水化合物配料
-
脂肪/油脂配料
-
蛋白质配料
-
乳化剂/稳定剂/增稠剂
-
甜味剂
-
香精香料
-
酸度调节剂/防腐剂/抗氧化剂
-
营养强化剂
-
其他添加剂与配料
-
-
新材料/包装与接触材料
-
塑料材料
-
纸及纸板
-
金属材料
-
玻璃材料
-
生物基/可降解材料
-
多层复合材料
-
探针与分析传感材料
-
其他材料
-
-
食品加工设备与机械系统
-
热处理设备
-
干燥设备
-
挤压/混合/成型设备
-
分选/分级/检验设备
-
灌装/封口/包装设备与生产线
-
清洗/CIP/卫生相关设备
-
输送/搬运/机器人系统
-
其他加工设备与系统
-
-
-
研究主题/科学问题维度
-
加工与新加工技术
-
传统热加工
-
非热加工技术
-
物理辅助加工
-
3D 打印与结构构筑
-
挤压膨化与共挤技术
-
其他加工技术
-
-
保藏与贮藏
-
冷藏与冷冻保藏
-
干燥保藏
-
改良气调/控气贮藏
-
保鲜涂膜与保鲜剂
-
货架期预测与品质劣变动力学
-
其他保藏技术
-
-
品质、结构与理化性质
-
质构与流变性质
-
颜色与外观品质
-
微观结构与成像
-
氧化、褐变等化学变化
-
其他品质相关性质
-
特征风味
-
-
营养与生物功能
-
基本营养价值评价
-
抗氧化/抗炎等功能
-
血糖、血脂与代谢相关功能
-
肠道健康与微生物相关功能
-
其他生物活性与健康效应
-
-
食品安全与风险评估
-
微生物安全
-
化学污染物
-
加工污染物
-
过敏原与毒性问题
-
暴露评估与风险表征
-
其他安全问题
-
-
包装与智能监测
-
包装设计与机械性能
-
活性包装
-
智能/指示型包装
-
包装系统中的监测与标签应用
-
其他包装相关研究
-
-
可持续性与资源高值化
-
副产物与废弃物高值利用
-
能耗/水耗与环境影响分析
-
生命周期评价与碳足迹
-
循环经济与绿色供应链
-
其他可持续性主题
-
-
感官科学与消费者研究
-
感官评价与方法学
-
消费者偏好与接受度
-
市场细分与消费行为
-
标签、营养声称与信息呈现
-
其他感官与消费者研究
-
-
过程控制与数字化
-
过程监测与在线检测
-
过程优化与控制策略
-
生产管理与数字化工厂
-
其他过程控制与数字化研究
-
-
-
研究方法/证据层级维度
-
理化与结构表征
-
常规理化指标测定
-
质构与流变测试
-
显微与成像技术
-
光谱/色谱/质谱等分析方法
-
其他理化与结构表征
-
-
微生物与发酵实验
-
微生物计数与生长曲线
-
菌种筛选与特性评价
-
发酵工艺与动力学
-
生物膜与耐受性研究
-
其他微生物/发酵方法
-
-
组学与高通量技术
-
基因组学
-
转录组学
-
蛋白质组学
-
代谢组学
-
微生物组/宏基因组学
-
其他组学方法
-
风味组学
-
-
体外模型
-
体外消化模型
-
体外发酵模型
-
细胞模型
-
模拟胃肠/肠道系统
-
其他体外模型
-
-
动物实验/人体试验
-
小动物实验
-
大动物实验
-
人体干预试验
-
观察性人群研究
-
其他体内/人群研究
-
-
统计建模与仿真
-
传统统计分析与回归
-
响应面分析与多因素优化
-
动力学建模
-
数值仿真
-
其他统计建模方法
-
-
问卷/市场与消费者研究
-
问卷设计与实施
-
访谈与质性研究
-
行为实验与选择实验
-
其他消费者研究方法
-
-
标准/法规/数据库分析
-
标准与法规对比分析
-
政策评估与影响分析
-
食品成分/消费数据库分析
-
其他标准法规相关方法
-
-
其他方法
-
专利分析
-
德尔菲法与专家咨询
-
情景分析与情景模拟
-
其他难以归类的方法
-
-
-
关键营养素/成分维度
-
常量营养素（宏量）
-
蛋白质与氨基酸
-
脂质与脂肪酸
-
碳水化合物与糖类
-
-
膳食纤维与抗性淀粉
-
可溶性膳食纤维
-
不溶性膳食纤维
-
抗性淀粉
-
其他膳食纤维类成分
-
-
维生素
-
脂溶性维生素 A/D/E/K
-
维生素 C
-
维生素 B 族
-
其他维生素或前体
-
-
矿物质与微量元素
-
钙
-
铁
-
锌
-
碘/硒等微量元素
-
钠/钾/镁等常量矿物质
-
其他矿物质
-
-
植物化学/生物活性成分
-
多酚与黄酮
-
花青素与类胡萝卜素
-
酚酸类
-
含硫植物化合物
-
其他植物化学物质
-
-
益生菌/益生元/合生元
-
益生菌菌株
-
益生元
-
合生元产品
-
可发酵底物与其他肠道相关成分
-
-
功能性脂类与糖替代品
-
植物甾醇/甾烷醇
-
共轭亚油酸
-
中链脂肪酸
-
糖醇类
-
非营养性甜味剂
-
盐替代品与其他代谢敏感因子
-
-
其他特殊成分
-
咖啡因
-
茶氨酸
-
胆固醇
-
嘌呤
-
其他特殊成分
-
-
标签记录（计算机学者）
清除全部筛选
标签记录（食品学者）
共 276 条结果
-
机器学习驱动的特征风味物质筛选：超高压处理对藏鸡汤风味的影响研究
查看原文
2026
Food Research International
中科院一区JCR一区
Kai Dong, Xinyuan Huang, Yingmei Wu, Guofeng Jin, Yufang Guan, Hongbo Song, Fengping An, Xin Li, Erhao Zhang & Qun Huang
计算机标签
随机森林 模型可解释性 分类/鉴别/等级评定食品标签
禽肉 非热加工技术 特征风味 常规理化指标测定 光谱/色谱/质谱等分析方法 其他理化与结构表征鸡汤的工业化生产一直是一项长期存在的难题，这凸显了探寻合适的可持续加工技术的至关重要性。本研究探究了不同超高压（UHP）处理时间（0、5、10和15分钟）对藏鸡汤风味的影响。当处理时间达到10分钟时，肌原纤维蛋白（MP）的溶解度和小片段化指数（MFI）分别提高了66.41%和43.46%。α-螺旋含量显著下降，而β-转角含量则明显上升。这表明鸡肉中的大分子物质得到充分释放，使得鸡汤中的蛋白质、脂肪和糖类等营养物质含量显著升高。随之而来的是，微纳米颗粒（MNP）的粒径逐渐增大，引发分层和絮凝等不稳定现象。此外，本研究整合六种机器学习（ML）模型，构建了一种筛选藏鸡汤特征风味化合物的新策略。在这些模型中，随机森林（RF）模型取得了最高的曲线下面积值（AUC=0.861），且中位残差相对较小，展现出优异的分类与预测能力。同时，其SHAP（沙普利加性解释）分析结果显示，己醛、2-戊基呋喃、1-辛烯-3-醇和硬脂酸是构成藏鸡汤风味特征的关键物质。5'-肌苷酸（5′-IMP）和谷氨酸（Glu）在多个模型中均被确定为关键特征，凸显了它们在藏鸡汤风味中的重要作用。这些成分共同赋予了该鸡汤独特的口感。
-
基于随机森林整合多组学揭示牛肝菌（Boletus edulis Bull.: Fr.）酶解产物的代谢机制
查看原文
2026
Food Chemistry
中科院一区JCR一区
Ningjing Guo, Xiang Li, Ya Dai, Xue Li, Qian Yao, Hua Lin, & Mingjing Song
计算机标签
随机森林 分类/鉴别/等级评定 组学数据 红外/拉曼光谱数据 质构/流变/感官数据食品标签
食用菌菇 特征风味 加工与新加工技术 光谱/色谱/质谱等分析方法 代谢组学 风味组学 蛋白质与氨基酸 脂质与脂肪酸 其他植物化学物质为了更好地理解牛肝菌（Boletus edulis Bull.: Fr.）水解物的感官和风味特性机制，本研究整合了感官评价、光谱分析、HS-SPME-GC-MS 和 UHPLC-Q-Exactive-MS/MS 技术，对与风味特性相关的挥发性和非挥发性代谢物进行系统表征。复合酶（FU）显著改善了感官特性。通过 GC-MS 共鉴定了 137 种挥发性化合物（VOCs）。ROAV 结合随机森林（RF）用于鉴定 21 种关键 VOCs。KEGG 富集分析强调，L-苯丙氨酸代谢和脂肪酸生物合成是风味形成的关键途径。通过 LC-MS 共鉴定了 84 种非挥发性代谢物。氨基酸代谢是导致非挥发性代谢物显著差异的主要原因。同时，Pearson 分析显示，氨基酸及其衍生物与关键挥发性有机化合物显著正相关（P < 0.05）。这些发现加深了对代谢物与酶解产物风味特征之间相关性的理解。
-
“Legacy”蓝莓及其突变体风味品质的代谢组学与机器学习整合分析
查看原文
2026
Current Research in Food Science
中科院一区JCR一区
Mingfei Zhang, Yuhan Shen, Liang Fang, Jiayi Yan, Yuming Ren, Fuyun Yang, Yu Zong, & Xun Wang
计算机标签
随机森林 分类/鉴别/等级评定 组学数据食品标签
新鲜水果 特征风味 光谱/色谱/质谱等分析方法 代谢组学 花青素与类胡萝卜素 其他植物化学物质蓝莓风味品质是决定其商业价值和消费者接受度的核心因素，已成为蓝莓育种的重要目标。本研究比较了“Legacy”蓝莓与其自然突变体的风味品质特征。结果显示，突变体果实的单果重和花青素含量降低。初级代谢分析进一步表明，与“Legacy”果实相比，突变体果实的氨基酸含量升高，而有机酸含量降低。基于顶空固相微萃取-气相色谱-质谱法（HS-SPME-GC-MS）的分析发现，突变体蓝莓中的挥发性有机化合物（VOCs）含量约为“Legacy”果实的2倍，其中萜类化合物增加约8倍，醇类、酯类和醛类增加1.5～2.2倍。进一步分析发现，突变体果实中有189种VOCs显著上调，包括40种醇类、30种酯类和23种萜类。代谢组学分析表明，氨基酸和特定VOCs的积累以及柠檬酸含量的降低通过协同作用增强了突变体果实的甜味和香气。随机森林算法筛选出丙氨酸和3-环己烯-1-甲醛等特征代谢物，表明其可作为蓝莓风味育种的候选靶标。本研究为蓝莓风味形成机制及高风味品质蓝莓的分子设计育种提供了新见解。
-
利用大蒜微生物群的16S核糖体RNA分析和机器学习鉴定整颗大蒜的地理来源
查看原文
2026
Food Microbiology
中科院一区JCR一区
Zhihan Xian, Shaoting Li, David A. Mann, & Xiangyu Deng
计算机标签
支持向量机 随机森林 分类/鉴别/等级评定 组学数据 中等规模数据集食品标签
新鲜蔬菜 其他安全问题 微生物组/宏基因组学通过虚假地理来源声明进行的食品欺诈带来了重大的经济和监管挑战，尤其是对于受贸易限制或高端产地标签约束的商品。新鲜大蒜（学名：Allium sativum L.）作为全球贸易作物，由于美国长期对中国进口大蒜征收的反倾销税，容易发生来源欺诈。在此，我们呈现了一项概念验证研究，表明微生物群落分析为大蒜来源鉴定提供了一种稳健且可获取的替代方法，相对于传统的化学计量学方法。我们使用16S rRNA基因扩增子测序技术，对2021年至2024年期间收集的153个大蒜样品的表面细菌群落进行了表征，这些样品来自中国（n=60）、美国（n=50）及其他多个国家（n=43）。比较分析显示各国之间的α多样性和β多样性存在显著差异，其中美国样本的微生物丰富度最高，中国样本最低。降维方法显示出按原产国清晰分群，支持存在不同的微生物特征。基于16S数据训练的机器学习分类器在随机森林、k近邻、逻辑回归和支持向量机模型中仅使用五个属级微生物特征就实现了超过0.87的准确率。多年的采样确认这些微生物信号在收获季节间保持稳定。差异丰度分析进一步识别出驱动国家间分离的生态学相关类群。综合来看，这些结果确立了微生物组分析作为额外实验室工具，以帮助调查大蒜产地欺诈。
-
基于机器学习辅助 FTIR 光谱和化学计量学的蜂蜜掺假快速预测
查看原文
2026
Food Control
中科院一区JCR一区
Said Ennahli, El Amine Ajal, Aadil Bajoub, & Lahcen Hssaini
计算机标签
随机森林 K-近邻 定量预测/回归分析 红外/拉曼光谱数据 合成/仿真数据为主食品标签
大米 蜂蜜等天然糖 食品安全与风险评估 其他安全问题 光谱/色谱/质谱等分析方法 标准/法规/数据库分析 碳水化合物与糖类蜂蜜掺假仍是食品真实性和消费者保护领域的重要挑战，需要快速可靠的检测策略。本研究评估衰减全反射傅里叶变换红外光谱结合五种监督机器学习分类器，用于检测葡萄糖浆和米浆掺假的蜂蜜。所用分类器包括 K 近邻、决策树、随机森林、XGBoost 和梯度提升。纯蜂蜜按 5%、10%、15%、20%、30% 和 40%（w/w）水平掺入糖浆。研究从 65 个生物样品中采集 325 条光谱，每个样品 5 次技术重复，包括 25 条纯蜂蜜光谱、150 条葡萄糖掺假光谱和 150 条米浆掺假光谱。预处理包括二阶导数变换和 StandardScaler 标准化。为避免数据泄漏，数据集按生物样品水平划分，得到 52 个训练样品（260 条光谱）和 13 个独立测试样品（65 条光谱）。所有分类器在独立测试集上准确率、精确率、召回率和 F1 值均达到 100%。特征重要性分析表明，900-1200 cm-1 的碳水化合物指纹区是主要判别区域，C-H 和 O-H 区域也有贡献。结果表明，ATR-FTIR 结合监督机器学习可为蜂蜜真实性鉴别提供稳健、无损的筛查工具。
