本研究采用索氏提取法制备柑橘提取物，结合傅里叶变换远红外光谱技术（FT-FIR） 实现对提取物中黄酮类物质含量的检测分析。研究在 0.5~7 太赫兹（THz）波段范围内，识别出橙皮苷与柚皮苷的特征吸收指纹图谱。其中，橙皮苷的特征吸收峰分别出现在 1.53、1.85、2.46、3.36、4.51、5.35、6.51 和 7.55 THz 处；柚皮苷的特征吸收峰则位于 0.75、1.50、2.29、3.76、5.18、6.48 和 8.36 THz 处。
特征峰对比结果显示：柚皮苷指纹图谱中可观察到 3.76、4.40 和 5.18 THz 处的明显吸收峰，而这些吸收峰在橙皮苷的太赫兹光谱中并未检出；反之，橙皮苷在 3.36、4.51、5.35 和 8.19 THz 处存在显著吸收峰，此类特征峰在柚皮苷的太赫兹光谱中则无明显响应。
为提升模型性能的稳健性，研究对光谱数据依次进行归一化、标准正态变量变换（SNV）、多元散射校正（MSC）、一阶导数及二阶导数等预处理。基于预处理后的数据构建偏最小二乘回归模型，该模型能有效阐释太赫兹光谱与橙皮苷、柚皮苷浓度间的相关性：经一阶导数预处理后，橙皮苷预测决定系数（Rp2​）高达 0.99，柚皮苷预测决定系数达 0.97。
本研究建立了利用太赫兹光谱技术检测橙皮苷与柚皮苷的方法，该方法有望简化从柑橘皮废料中提取黄酮类物质的检测流程。

传统的食品安全预警系统以靶向性食品安全危害监测为核心构建。然而，理想的预警系统应能够识别先于食品安全风险形成的前兆信号。此外，这类信号可从食品供应链的关联领域要素中挖掘，即所谓的变化驱动因素及其他相关指标。本研究首次证实，这些驱动因素与指标确实可作为先于食品安全风险检出的前兆信号。
研究以欧洲乳制品供应链为应用案例，采用动态无监督异常检测模型，在领域专家判定的、可能影响乳品安全风险演变的指标数据中识别异常信号。同时，研究借助贝叶斯网络模型，针对荷兰地区，明确了与指标异常相关的乳品化学性安全危害类型。
结果显示，异常事件的发生频率因国家与指标的不同而存在差异。但在 2008—2019 年的研究周期内，所有研究对象国的原料奶价格与淡炼乳价格指标均出现异常波动，而奶牛养殖场收入指标则未检测到异常。对食品饲料快速预警系统（RASFF）通报数量与指标异常数据开展的互相关分析表明，多项指标与通报数量间存在显著相关性，但该相关性特征存在国家间差异。值得关注的是，所有国家的奶价指标与通报数量均呈显著相关，仅滞后时间有所不同：英国为 5 个月，意大利则长达 22 个月。
该研究结论表明，食品供应链关联领域的剧烈变化，或会诱发食品安全问题，且这类问题往往在数月后才会显现。明晰此类关联关系，有助于食品生产企业及监管部门及时采取干预措施，从而有效防范食品安全问题的发生。

凤凰单丛茶是中国乌龙茶中的名优品种，以其香型丰富多变而闻名。然而，这种香型多样性无论是从感官品评层面，还是化学物质分析层面，均难以阐明其内在机制。本研究以凤凰单丛茶典型的 “花香型” 与 “蜜香型” 风味为切入点，对其香气物质进行表征，并结合化学计量学方法探究了两种香型风味背后的挥发性成分差异。
为充分涵盖凤凰单丛茶的香型多样性，本研究共收集了 70 份不同品类的茶叶样品。感官审评结果显示，所有样品均呈现出明显的花香或蜜香特征。在挥发性成分分析中，采用顶空固相微萃取 - 气相色谱 - 质谱联用技术（HS-SPME-GC-MS），从所有样品中鉴定出 57 种挥发性化合物。基于香型的分类结果与基于挥发性成分的无监督学习分析结果，呈现出一致的样品聚类模式，这表明花香与蜜香两种风味的差异与茶叶中挥发性成分的组成变化密切相关。
研究筛选出 9 种挥发性成分作为两类香型差异的潜在标志性物质：其中，吲哚、反式 - 橙花叔醇、2 - 苯基乙腈和 γ- 己内酯是构成花香型风味主导特征的关键物质；而 2 - 甲基丁酸己酯、戊酸顺式 - 3 - 己烯酯、顺式 - 吡喃型芳樟醇氧化物、反式 - 呋喃型芳樟醇氧化物和顺式 - 呋喃型芳樟醇氧化物则是形成蜜香型风味感官特征的重要组分。
本研究构建了一套基于花香、蜜香风味特征的挥发性成分分类体系，研究结果可为凤凰单丛茶的香气品质管控提供理论依据与技术支撑。

本研究采用超高效液相色谱 - 高分辨质谱联用技术（UHPLC-HRMS），对不同种植模式与生产工艺制备的苹果汁样品（包括非浓缩还原汁与浓缩还原汁、有机苹果汁与常规苹果汁）展开分析。研究基于代谢组学工作流平台（Workflow4Metabolomics, W4M）开发并建立了一套数据处理流程：首先通过 XCMS 软件进行特征峰检测，随后进行数据过滤，剔除了近 50% 的检出特征峰；接着开展批次内与批次间校正，再结合主成分分析（PCA）、偏最小二乘判别分析（PLS-DA）、正交偏最小二乘判别分析（OPLS-DA）及方差分析（ANOVA）等化学计量学方法进行数据分析。
所建立的分析方法可同时实现两类苹果汁样品的有效区分，即非浓缩还原汁与浓缩还原汁的区分、有机苹果汁与常规苹果汁的区分。主成分分析验证了本方法的重复性，并证实了批次校正的有效性；正交偏最小二乘判别分析模型表现出良好的质量参数，尤其是在筛选特征峰以区分有机与常规苹果汁时，模型预测准确率可达近 80%。根据方差分析与正交偏最小二乘判别分析结果，本研究筛选出 24 个具有显著判别意义的特征峰。通过进一步的二级质谱（MS/MS）实验结合在线数据库检索，其中部分特征峰被鉴定为氨基酸及其衍生物。
研究人员采用独立数据集对上述物质作为特征标记物的潜力进行验证，取得了良好结果。该非靶向检测方法在苹果汁掺假检测与真实性鉴别中的常规应用仍需进一步验证。

玉米在收获前与收获后的真菌污染现象普遍且严重。高光谱成像（HSI）作为一种主流无损检测技术，可有效识别玉米粒的真菌污染情况，且适用于在线检测场景，已获得广泛认可。
本研究通过设计对照实验，旨在探究偏最小二乘判别分析（PLS-DA）、人工神经网络（ANN）及一维卷积神经网络（1D-CNN）三种模型的检测效能，分析其在玉米粒胚部相对高光谱成像相机镜头不同朝向（光谱范围 398–1003 nm）条件下，对玉米粒真菌污染的预测能力。实验将玉米粒分为两组 —— 无菌组（G1）和黑曲霉污染组（G2），每组各 100 粒；并分别设置胚部朝上（GU）、胚部朝下（GD）、胚部随机摆放（GR） 三种放置方式采集像素级光谱数据集，基于上述数据集完成三种模型的训练。
结果显示，从错误率指标来看，胚部朝上放置时模型预测性能最优，其中一维卷积神经网络模型的错误率最低，仅为 1.31%；其次为胚部随机摆放组，最优模型为人工神经网络，错误率 1.65%；胚部朝下组表现最差，最优模型同样为人工神经网络，错误率 1.95%。
在模型训练集与测试集数据分布不一致的情况下，胚部随机摆放组的平均错误率最低：偏最小二乘判别分析、人工神经网络、一维卷积神经网络模型的平均错误率分别为 5.71%、4.94% 和 3.15%。
本研究结果证实，高光谱成像技术结合适宜的分类模型，并对玉米粒胚部朝向进行合理设置，可实现污染籽粒与健康籽粒的精准分选。