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 1173 条结果
-
时间营养分析将饮食规律性和质量与肠道微生物多样性联系起来：来自Food & You数字队列的见解
查看原文
2025
Nature Communications
中科院一区JCR一区
计算机标签
机器学习/统计学习 模型可解释性 定量预测/回归分析 文本/知识库/法规数据食品标签
肠道健康与微生物相关功能 其他方法 益生菌/益生元/合生元新的研究证据表明，用餐时间（即“时间营养”）会对代谢健康产生影响，但其与肠道微生物群之间的关系仍不为人所充分理解。在此，我们利用“食物与你”数字样本队列来探究饮食规律和质量与肠道微生物多样性之间的关联。我们从一个庞大的人群中收集了详细的饮食日志和微生物样本，以量化饮食模式。我们训练了机器学习模型，根据饮食特征来预测肠道微生物多样性（香农指数）。我们的分析表明，饮食规律——特别是用餐时间的稳定性——是肠道微生物多样性的一个强有力的预测指标，且不受饮食质量的影响。特征重要性分析显示，不规律的饮食安排与较低的微生物多样性以及不良细菌种类的丰富度有关。这些发现强调了“何时进食”对于维持健康肠道生态系统的重要性，同时也展示了数字样本队列与机器学习相结合在个性化营养研究中的应用价值。
-
基于6,497个双标水测量值的预测方程可用于检测错误报告的能量摄入
查看原文
2025
Nature Food
中科院一区JCR一区
计算机标签
机器学习/统计学习 定量预测/回归分析 大规模数据集食品标签
营养与生物功能 光谱/色谱/质谱等分析方法 统计建模与仿真 观察性人群研究 常量营养素（宏量）营养流行病学旨在将饮食暴露与慢性病联系起来，但评估饮食摄入的工具并不准确。识别不可靠数据和误差来源的一种方法是将估计的摄入量与总能耗（TEE）进行比较。本研究利用国际原子能机构双标签水数据库，利用6,497个TEE指标在4至96岁人群中推导出TEE的预测方程。由此产生的回归方程预测了体重、年龄和性别等易于获得变量的预期TEE，预测极限为95%，可用于筛查饮食研究参与者的错误报告。我们将该方程应用于两个大型数据集（国家饮食与营养调查和国家健康与营养检查调查），发现错误报告率为27.4%。这些研究中饮食报告的宏量营养素成分随着误报水平增加而系统性偏倚，导致饮食成分与体质指数之间可能存在虚假关联。
-
利用深度学习预测饮食干预后的代谢物反应
查看原文
2025
Nature Communications
中科院一区JCR一区
计算机标签
其他深度学习结构 模型可解释性 定量预测/回归分析 组学数据食品标签
营养与生物功能 传统统计分析与回归由于个体具有高度个性化的生物特性和生活方式特征，不同的人对特定食物和营养物质的代谢反应可能会有所不同。特别是肠道微生物群，即生活在胃肠道内的数万亿微生物的集合，具有高度的个性化特征，并在对食物和营养物质的代谢反应中起着关键作用。基于个体的肠道微生物组成准确预测饮食干预对代谢物的影响，对于精准营养具有巨大的潜力。现有的预测方法通常局限于传统的机器学习模型。专门用于此类任务的深度学习方法仍然缺乏。在这里，我们开发了一种名为 McMLP（使用耦合多层感知器的代谢物反应预测器）的方法来填补这一空白。我们提供了明确的证据表明，McMLP 在由微生物消费者-资源模型生成的合成数据以及来自六项饮食干预研究的真实数据上都优于现有方法。此外，我们对 McMLP 进行了敏感性分析，以推断食物-微生物-代谢物的三元相互作用。
-
机器学习赋能的无损纸基显色阵列用于检测食品上的多种活体病原体
查看原文
2021
Nature Food
中科院一区JCR一区
计算机标签
深度学习 分类/鉴别/等级评定 可见光/RGB/视频数据食品标签
水果/蔬菜与菌菇类/植物类 食品安全与风险评估 微生物安全 光谱/色谱/质谱等分析方法 统计建模与仿真快速且同时检测食品中的多种可存活病原体对于公共健康至关重要。在此，我们报告了一种利用纸基色谱阵列（PCA）并通过机器学习实现的病原体检测系统。该PCA由浸有 23 种显色染料和染料组合的纸基底构成，当暴露于目标病原体释放的挥发性有机化合物时，会发生颜色变化。这些颜色变化会被数字化，并用于训练一个多层神经网络（NN），使其具备高精度（91%-95%）的病原体种类特异性检测和定量能力。经过训练的PCA-NN系统能够区分活的大肠杆菌、大肠杆菌 O157:H7 以及其他活的病原体，并且能够同时在新鲜切割的生菜中同时检测出大肠杆菌 O157:H7 和单核细胞增生李斯特菌，这代表了一个现实且复杂的环境。这种方法有可能在无需富集、培养、孵育或其他样本制备步骤的情况下，推进食品中非破坏性病原体检测和识别。
-
机器学习和宏基因组学揭示了中国多个养鸡场和屠宰场共享的抗菌素耐药性特征
查看原文
2023
Nature Food
中科院一区JCR一区
计算机标签
机器学习/统计学习 分类/鉴别/等级评定 组学数据 大规模数据集食品标签
禽肉 食品安全与风险评估 微生物安全 组学与高通量技术 统计建模与仿真 其他特殊成分中国是全球最大的抗菌药物消费国，改进监测方法有助于减少抗菌药物耐药性（AMR）的传播。在此，我们报告了对中国三个省份的十家大型养鸡场及四家相关屠宰场在两年半时间内的监测情况。我们采用基于机器学习的数据挖掘方法，分析了来自鸡只、胴体和环境的 461 个微生物群落，发现了 145 种可能在鸡与环境之间相互转移的抗生素耐药基因（ARGs），这些基因在所有养殖场中都存在于鸡与环境之间。从鸡肠道微生物群中提取的核心 233 种 ARGs 和 186 种微生物物种与同肠道中定植的埃希氏菌（包括弧杆菌属、不动杆菌属和丝状杆菌属等对人类有临床意义的菌种）的 AMR 情况相关联，其中还包括 38 种临床相关的 ARGs。鸡舍内的温度和湿度也与 ARG 的存在相关联。我们揭示了环境、微生物群落和 AMR 之间复杂的相互关系网络，表明在畜牧业生产中改善 AMR 监测存在多种途径。
