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
-
利用环境电离质谱结合机器学习，同时测定农药残留及快速鉴别玉米生产来源
查看原文
2025
Food Chemistry
中科院一区JCR一区
Hang Su, Lifeng Han, Miaoxiu Ge, Xiangyu Wang, Hongping Zeng, Dan Zhao, Wei Xiong & Luhong Wen
计算机标签
机器学习/统计学习 随机森林 分类/鉴别/等级评定 红外/拉曼光谱数据食品标签
玉米 化学污染物 光谱/色谱/质谱等分析方法 其他特殊成分食品可追溯性是质量控制和食品安全的关键方面。本研究开发了一种分析时间为13分钟的高通量分析系统，用于检测玉米中的农药残留，实现了0.59至14.38 μg/kg的低检测限（LOD）。通过该方法，不同来源的玉米样本中发现了不同的外源农药特征，并将其分为六类。基于这些差分分析物，应用了化学计量模型来探讨玉米样品之间的光谱差异，同时观察到部分簇重叠。随后，采用随机森林（RF）模型，实现了卓越的预测表现，训练准确率达到100%，外部验证准确率达98.1%，显示出高的起源可追溯性。因此，该高通量系统结合机器学习，展现出快速检测农药残留和产地识别的巨大潜力，显著促进食品质量监测。
-
从牛心肌水解物中筛选心肌保护肽：整合分级提取、多变量分析和随机森林的肽组学-活性引导策略
查看原文
2025
Journal of Agricultural and Food Chemistry
中科院一区JCR一区
Minzhi Zhou, Wen Li, Lin Zheng, & Mouming Zhao
计算机标签
随机森林 定量预测/回归分析 组学数据 合成/仿真数据为主食品标签
内脏及副产物 抗氧化/抗炎等功能 加工与新加工技术 蛋白质与氨基酸本研究旨在探究不同蛋白组分制备的牛心肌水解物对 H2O2 诱导 H9c2 细胞心肌损伤的保护作用，并建立探索潜在心肌保护肽的有效方法。结果显示，与牛心和水溶性蛋白组分相比，由盐溶性蛋白组分制备的心肌水解物表现出更好的心肌保护活性，可显著提高细胞活力和抗氧化酶 SOD、CAT 活性，同时降低心肌损伤标志物 LDH、CK-MB 和 cTnT 含量。研究采用整合多变量分析和随机森林模型的肽组学-活性引导策略，识别出 10 条新型心肌保护肽：FR、LK、LPF、RVL、SLL、FDIF、FQPS、GLPPILN、SEAPPHIF 和 TEAPLNPK。分子对接分析揭示，这些肽可能作用于 AKT1、STAT3 和 MMP9 等心肌损伤相关靶点。该研究为快速识别食源性心肌保护肽提供了思路。
-
基于肽组学技术和深度学习方法的DeepMAMP模型发现母乳中的乳源抗菌肽
查看原文
2025
Food Chemistry
中科院一区JCR一区
Wenhao Yu, Xinchen Zhang, Yang Yu, Dengcai Zhao, Sufang Duan, Ignatius Naan-Yau Szeto, Jian He, Li Liu & Yan Jin
计算机标签
随机森林 循环神经网络 图像分割网络 分类/鉴别/等级评定 组学数据食品标签
液态乳 抗氧化/抗炎等功能 代谢组学 蛋白质与氨基酸人乳中乳源抗菌肽（HMAMPs）在新生儿的营养和免疫系统构建中发挥着重要作用。目前的抗菌肽预测模型无法准确预测人乳源抗菌肽，因此迫切需要高通量且有针对性的方法。本研究提出了一种利用肽组学技术和深度学习方法发现人乳源抗菌肽的新流程。我们构建了一个新的乳源抗菌肽预测模型——DeepMAMP，该模型结合了轻量级梯度提升机（LightGBM）、长短期记忆网络（LSTM）和注意力机制，准确率达到81.4%。通过DeepMAMP预测出了人乳中311种潜在的人乳源抗菌肽。对其中6种预测出的潜在人乳源抗菌肽进行了抗菌实验，有5种经实验验证为人乳源抗菌肽。研究结果证实了DeepMAMP对人乳源抗菌肽的预测有效性，为筛选新型人乳源抗菌肽提供了一种全面的方法，也为人乳源抗菌肽在功能性食品和医药领域的应用提供了有力支持。
-
基于微生物组特征和有监督机器学习对真空包装牛肉胀袋的预测
查看原文
2025
International Journal of Food Microbiology
中科院一区JCR一区
Frederico Schmitt Kremer, Rafaela Da Silva Rodrigues, Wellington Pine Omori, Rafael Rodrigues De Oliveira, Gabriel Alves Silva De Oliveira & Luís Augusto Nero
计算机标签
随机森林 梯度提升决策树 模型可解释性 分类/鉴别/等级评定 组学数据 小规模数据集食品标签
畜肉 微生物安全 包装设计与机械性能 微生物组/宏基因组学真空包装牛肉产品的保鲜对于维持货架期至关重要。然而，胀袋现象的发生——其特征是由于腐败微生物产生气体导致包装膨胀——仍然是一个难题。在本研究中，我们证明了利用下一代测序（NGS）和机器学习进行的微生物组分析可能有助于对真空包装牛肉的腐败和胀袋现象进行分析、建模和预测。牛肉样本（n = 10）经过真空包装后，分别储存在4°C和15°C条件下，并在0小时、7天、14天、21天和28天时基于NGS对其微生物群落进行监测。我们的分析能够根据牛肉初始微生物组信息和储存条件预测胀袋现象，确定与腐败相关的不同细菌属和温度之间的关系（这与差异丰度分析结果一致），并评估温度与胀袋现象之间的关系。通过SHAP（沙普利可加解释）对XGBoost模型进行解释，我们发现当考虑第0天的微生物组数据时，温度是胀袋预测中影响最大的因素。此外，基于OTU斯皮尔曼相关性和线性回归（按时间计算）对随机森林和XGBoost模型进行的SHAP分析显示，消化链球菌属（Peptoniphilus）是最重要的细菌属，其次是哈夫尼菌属（Hafnia）和消化链球菌属（Peptostreptococcus）。进一步的研究可能会将这些方法扩展到其他肉类、不同部位的肉以及更多储存条件下，从而更好地模拟与胀袋现象相关的微生物组动态变化。
-
基于特征选择的机器学习通过拉曼指纹实现商业乳制品中多重物种鉴定与掺假量化
查看原文
2025
LWT
中科院一区JCR一区
Yaju Zhao, Xiaofeng Ni, & Minmin Tang
计算机标签
随机森林 K-近邻 特征工程与选择策略 分类/鉴别/等级评定 定量预测/回归分析 红外/拉曼光谱数据食品标签
乳及乳制品 食品安全与风险评估 其他安全问题 光谱/色谱/质谱等分析方法对高端非牛奶乳制品需求的增加，加剧了对强有力掺假检测方法的需求，以确保产品真实性和消费者安全。本研究提出了一种基于特征选择的机器学习（ML）框架，结合拉曼光谱技术，用于商业乳制品的平行物种认证和掺假量化。分析了来自牛、水牛、牦牛和山羊的牛奶和酸奶样品的拉曼指纹，以识别与基质无关的生物标志物。通过卡方分析进行的特征选择识别出了九个区分特征，包括四个保守的生物标志物，能够有效区分不同产品基质中的物种来源。对各种机器学习分类器进行了评估，以判断它们对乳制品的分类能力，其中随机森林分类器在物种识别方面表现出较高的准确性（>96%）。分析还发现了一些保守特征，可作为物种来源和发酵过程的可靠指标。此外，回归模型成功量化了牛奶在水牛/山羊奶中的掺假水平，其中高斯加权k近邻回归表现出更优性能（测试集R²=0.950/0.918，RMSE=0.076/0.100）。该工作提出了一个可扩展的拉曼-机器学习乳制品鉴定流程，解决了跨基质泛化能力的关键问题，并为工业质量控制提供了一种快速、无损的解决方案。
