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 2456 条结果
-
计算机标签
偏最小二乘法 分类/鉴别/等级评定 组学数据食品标签
禽肉 品质、结构与理化性质 加工与新加工技术 光谱/色谱/质谱等分析方法为阐明传统腌制工艺对代谢物的影响，以及非挥发性代谢物与挥发性物质间的关联，本研究采用基于超高效液相色谱 - 串联质谱（UHPLC–MS/MS）的非靶向代谢组学与气相色谱 - 离子迁移谱（GC-IMS），对腌制与未腌制鸭肉中的代谢物和挥发性成分进行分析。研究共鉴定出973 种非挥发性代谢物和57 种挥发性化合物，其中脂类及类脂分子、有机酸及其衍生物占所有代谢物的71.27%。多元统计分析表明，173 种非挥发性代谢物和绝大多数挥发性物质的含量受腌制工艺显著影响。腌制处理改变了部分游离氨基酸、肽及其类似物的含量，但总含量无显著差异；同时，腌制对脂质降解存在显著作用。偏最小二乘回归结果显示，共筛选出78 种与挥发性物质相关的差异代谢物，其中 31 种呈正相关、47 种呈负相关，挥发性物质的生成与多种非挥发性代谢物密切相关。
-
基于SBSE-GC-MS和化学计量学的天然和碱化可可粉挥发性成分自动非靶向分析
查看原文
2022
Food Chemistry
中科院一区JCR一区
Maribel Alexandra Quelal-Vásconez, Riccardo Macchioni, Greta Livi, Édgar Pérez-Esteve, María Jesús Lerma-García, Pau Talens, José Manuel Barat, Mikael Agerlin Petersen & Rasmus Bro
计算机标签
偏最小二乘法 主成分分析/判别分析 分类/鉴别/等级评定 组学数据食品标签
巧克力及含可可制品 品质、结构与理化性质 光谱/色谱/质谱等分析方法本研究采用搅拌棒吸附萃取 - 气相色谱 - 质谱联用技术（SBSE-GC–MS），结合在 PARADISe 软件中自动化运行的 平行因子分析 2（PARAFAC2） 非靶向分析方法，对天然可可粉与碱化可可粉中共计 56 种关键挥发性化合物进行了快速测定。主成分分析（PCA）通过 4 个主成分解释了 80% 的浓度变异，揭示出具有特征性的挥发性化合物群组。偏最小二乘判别分析（PLS-DA）则用于筛选与不同碱化程度显著相关的挥发性标志物。在中度及高度碱化可可粉中，苯乙酮含量上升，而甲苯、糠醛含量下降，这类化合物间的动态变化规律可实现其与天然可可粉的有效区分。综上，本研究建立的综合分析方法可为解析可可粉挥发性物质提供可靠手段，适用于可可粉品质管控，同时大幅节省检测时间与成本。
-
利用新型深度学习分类器进行虚拟筛选揭示膳食 CYP3A4 抑制剂
查看原文
2022
Journal of Agricultural and Food Chemistry
中科院一区JCR一区
Yelena Guttman, & Zohar Kerem
计算机标签
深度学习 设计/生成与推荐 合成/仿真数据为主 小规模数据集食品标签
复合/即食/餐饮食品 食品安全与风险评估 肠道健康与微生物相关功能 体外模型 蛋白质与氨基酸CYP3A4 是人体负责膳食化合物、处方药、外源物、甾体激素和胆汁酸 I 相代谢的主要酶。抑制 CYP3A4 活性可能影响内分泌系统、药物应答等生理机制。本研究旨在从食品和膳食补充剂中发现新的 CYP3A4 抑制剂。研究构建了一个深度学习分类模型，用于将化合物判定为抑制剂或非抑制剂，模型特异性达到 0.997。利用该分类器对约 60000 种膳食化合物进行虚拟筛选后，研究识别出 115 种潜在抑制剂，其中仅 31 种此前已有报道。模型预测显示，多种草本来源成分可能影响药物、内源性激素和胆汁酸代谢。进一步结合 Lipinski 五规则，17 种化合物被判定为潜在肠道局部抑制剂。模型预测的新 CYP3A4 抑制剂 bilobetin 和 picropodophyllin 还进行了体外验证。该研究为识别食品-药物相互作用风险中的膳食 CYP3A4 抑制剂提供了深度学习虚拟筛选工具。
-
探索先进机器学习在识别伤寒沙门氏菌严重疾病表型中的预测能力
查看原文
2022
Food Research International
中科院一区JCR一区
Shraddha Karanth, Collins K. Tanui, Jianghong Meng, & Abani K. Pradhan
计算机标签
支持向量机 随机森林 逻辑回归/贝叶斯 分类/鉴别/等级评定 组学数据食品标签
微生物安全 基因组学 其他特殊成分过去几年中，全基因组测序信息的可获得性显著增加，使其能够被纳入食源性病原体的预测建模中，以考虑其毒力的种间和种内差异。然而，与观测值/分离株数量相比，传统统计方法分析如此大量数据的能力有限，这限制了其应用。在本研究中，我们探索了机器学习 (ML) 模型在预测疾病结果中的适用性，同时识别对预测有显著影响的特征。本研究的对象是沙门氏菌 (Salmonella enterica)，这是一种具有显著亚型间和亚型内差异的主要食源性病原体。从各种来源（即人类、鸡和猪）获得的分离株的全基因组测序（WGS）被用作四种机器学习模型（带岭回归的逻辑回归、随机森林、支持向量机和AdaBoost）的输入，以根据宿主的疾病严重程度（肠外感染与胃肠感染）对分离株进行分类。所有模型的预测性能均在有无弹性网正则化的情况下进行了测试，以应对高维度问题。弹性网正则化的逻辑回归模型显示出最佳的受试者工作特征曲线下面积（AUC-ROC；0.86）和结果预测准确率（0.76）。此外，编码转录调控、酸性、氧化和厌氧应激反应以及抗生素抗性相关基因被发现是疾病严重程度的重要预测因子。这些基因与每种结果显著相关，可能会被输入修改后的、特定基因表达的预测模型中，以估算沙门氏菌和其他食源性病原体对人类健康的特定毒力模式的影响。
-
基于近红外光谱结合偏最小二乘回归和特征波长变量识别陈米掺假
查看原文
2022
Food Chemistry: X
中科院一区JCR一区
Zhanming Li, Jiahui Song, Yinxing Ma, Yue Yu, Xueming He, Yuanxin Guo, Jinxin Dou & Hao Dong
计算机标签
偏最小二乘法 特征工程与选择策略 定量预测/回归分析 红外/拉曼光谱数据食品标签
大米 食品安全与风险评估 光谱/色谱/质谱等分析方法长期储存大米不可避免地导致食用品质下降，陈米掺假对食品安全和人体健康构成威胁。本研究采用近红外光谱技术结合偏最小二乘回归和竞争性自适应重加权采样，对三种大米（中国稻花香、南方粳稻和晚粳稻）中的陈米掺假进行识别。以酸值作为大米陈化的敏感指标，在加速陈化（37 °C，85%湿度）过程中进行测定，直至酸值达到25 mg KOH/100 g干重。将陈米与新鲜大米按不同比例（0–100%）混合制备掺假样品。收集近红外光谱（900–1700 nm），采用不同的预处理方法，并利用CARS选择特征波长变量以简化模型并提高预测精度。结果表明，经过归一化、MSC、SNV或平滑预处理的PLSR模型优于原始光谱模型，但精度仍中等。经过CARS变量选择后，优化后的模型显著提高了识别准确率。对于中国稻花香，MMN-CARS-PLSR模型的预测集决定系数（R²p）达到0.998，预测均方根误差（RMSEP）为0.0206；对于南方粳稻和晚粳稻，SNV-CARS-PLSR模型的R²p分别为0.994和0.996，RMSEP分别为0.0362和0.0311。所构建的CARS-PLSR模型有效减少了冗余变量，提高了陈米掺假的判别精度。本研究表明，近红外光谱结合CARS-PLSR是一种简单、快速、准确的陈米掺假检测方法，为商品大米的质量控制提供了新的选择。
