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
-
特定苯丙素类化合物与肌原纤维蛋白的分子作用机制解析：构象重塑及机器学习分析
查看原文
2026
Food Research International
中科院一区JCR一区
Jingfan Wang, Laiyu Zhao, Ping Yang, Tianze Wang, Ying Xu, Dong Han, Marie-Laure Fauconnier, Giorgia Purcaro & Chunhui Zhang
计算机标签
智能手机/其他 分类/鉴别/等级评定 质构/流变/感官数据食品标签
传统热加工 其他品质相关性质 光谱/色谱/质谱等分析方法 其他理化与结构表征 数值仿真 蛋白质与氨基酸苯丙素类风味化合物（PFCs）是五香炖牛肉（SBS）具有典型草本及茴香味香气的主要贡献物质。本研究探究了五种苯丙素类风味化合物与肌原纤维蛋白（MPs）在不同加热条件及浓度下的结合相互作用。热处理使肌原纤维蛋白发生部分解折叠，从而暴露出巯基基团与疏水区域，进而增强了其对苯丙素类风味化合物的结合能力。在未加热的肌原纤维蛋白中，苯丙素类风味化合物的添加通过疏水作用驱动氢键形成，提高了α-螺旋含量；然而，长时间加热会因蛋白质聚集阻碍结合位点的可及性，从而削弱上述效应。基于机器学习的聚类模型成功表征了五种苯丙素类风味化合物之间的差异结合行为。K-均值聚类分析表明，丁香酚（EG）与茴香脑（AT）对肌原纤维蛋白的结合行为，与甲基丁香酚（ME）、草蒿脑（ET）及茴香醛（AL）存在显著差异。这两个聚类结果与分子对接的结合能相一致。破坏剂试验及分子对接结果显示，疏水作用是苯丙素类风味化合物与肌原纤维蛋白结合的主要驱动力。苯丙素类风味化合物之间的结构差异（如羟基位置）影响了其氢键形成能力及空间可及性。综上，热诱导的蛋白质构象变化对风味保留具有关键作用，可为肉制品加工过程中的风味调控提供理论依据。
-
解析安徽大马士革玫瑰精油中特征香气化合物的相互作用：利用气味活性值、分子模拟和机器学习
查看原文
2026
Food Chemistry
中科院一区JCR一区
Xinyi Yang, Mengdong Qiao, Wenbo Bai, Meiting Zhao, Siqi Sun, Zengyang He, Zhiqiang Xu, & Yunwei Niu
计算机标签
梯度提升决策树 分类/鉴别/等级评定 合成/仿真数据为主 红外/拉曼光谱数据 质构/流变/感官数据食品标签
香精香料 特征风味 感官科学与消费者研究 光谱/色谱/质谱等分析方法 统计建模与仿真 其他植物化学物质安徽大马士革玫瑰精油以其独特的香气而闻名，但香气相互作用的机制仍不清楚。使用气相色谱-质谱-嗅觉法（GC-MS-O）、气味活性值（OAVs）和计算方法，识别出31种关键香气化合物和24种二元相互作用（11种掩蔽、6种叠加、7种协同）。值得注意的是，苯乙醇表现出协同作用（0.13 ≤ X ≤ 0.23），而高强度的香叶醇倾向于掩蔽其他化合物（1.30 ≤ X ≤ 5.06）。创新性地比较了广谱感受器OR1A1和玫瑰特异性受体OR10A6，XGBoost模型（准确率97%）强调了与OR10A6的结合能（-5.9至-6.1 kcal/mol）和气味强度差异的重要性。分子动力学模拟（100 ns）显示，三元复合物稳定（均方根偏差（RMSD）< 7 Å），并存在疏水相互作用、氢键和水桥。这种方法将感官分析与机器学习结合起来，以增强风味设计的洞察力。
-
人工智能在面包制作中的应用：品质控制、配方优化与感官预测
查看原文
2026
Food Chemistry: X
中科院一区JCR一区
Marimuthu Murugesan, Prakash Pandurangan, Anitha Murugesan, Halan Senthilkumar & Krishnamurthy K. Hegde
计算机标签
机器学习/统计学习 深度学习 分类/鉴别/等级评定 过程控制与实时优化 时序传感器/物联网数据食品标签
面包 质构与流变性质 感官科学与消费者研究 理化与结构表征烘焙行业正应用人工智能（AI），以数据驱动策略替代传统模式，提升品质预测、工艺优化与货架期预测的精准度。本文综述了人工智能（特别是机器学习算法，如人工神经网络（ANN）、支持向量机（SVM）、随机森林（RF）与深度神经网络（DNN））在面包制作及产品创新中的应用。借助AI模型，可深入分析配方、加工工艺与品质指标间的复杂相互作用，从而预测面包体积、 crumb结构、老化及腐败风险。利用AI优化配方，还能在不损失感官品质的前提下，生产高性价比、营养强化的产品。将AI与气相色谱‑嗅闻、质地轮廓分析、电子鼻/电子舌等先进技术结合，可在实际生产前实现更精准的感官预测。此外，AI与数字孪生、动力学模型及物联网系统的融合，可强化实时分析与运行效能，助力实现可持续生产、减少食品浪费，并开发个性化、健康导向的烘焙产品。
-
Sr 同位素与稀土元素指纹结合机器学习用于谷物醋的产地溯源研究
查看原文
2026
Food Research International
中科院一区JCR一区
Qian Zhang, Min Li & Guilin Han
计算机标签
随机森林 主成分分析/判别分析 分类/鉴别/等级评定 质构/流变/感官数据食品标签
谷物发酵食品 食品安全与风险评估 其他理化与结构表征 其他矿物质食醋的地理来源对于食品真实性鉴定愈发重要，但有效的溯源工具仍有待开发。本研究评估了锶同位素（⁸⁷Sr/⁸⁶Sr）与稀土元素（REEs）作为多元素地球化学指纹，用于区分四种具有代表性的中国谷物食醋的潜力。山西、四川、江苏和福建食醋的⁸⁷Sr/⁸⁶Sr比值分别为0.71064±0.00054、0.71156±0.00040、0.71206±0.00065和0.70910±0.00014。这些特征值在很大程度上反映了当地地质背景下的生物可利用锶，唯有福建食醋除外，其同位素偏移与液态酿造过程中使用的部分非本地原料相关。稀土元素含量表现出较强的内部一致性，并与锶含量及87Sr/86Sr比值均存在显著相关性，表明二者受共同的来源相关因素控制。多元化学计量学分析证实，元素与同位素标志物联合使用具有较高的判别能力。主成分分析（PCA）可实现初步区分，而线性判别分析（LDA）与随机森林（RF）模型则获得了显著更高的分类准确率，其中LDA在测试集上的识别准确率达100%，RF为88.89%。本研究表明，87Sr/86Sr、稀土元素与机器学习模型的联合应用，可为食醋地理来源鉴定提供一种可靠且高判别力的策略。
-
机器学习揭示了食品复杂性的三层
查看原文
2026
npj Science of Food
中科院一区JCR一区
Qinfei Ke, Jingzhi Zhang, Xin Huang, Xingran Kou, & Dachuan Zhang
计算机标签
机器学习/统计学习 定量预测/回归分析 多模态/融合数据 质构/流变/感官数据食品标签
品质、结构与理化性质 特征风味 植物化学/生物活性成分食品是一个比通常认知更复杂的系统，由数万种分子组成，这些分子的组成和相互作用最终塑造了人类的感知。为了概念化这种多方面的特性，我们将食品复杂性框架化为三个相互关联的层次：定义其化学基础的分子组成、塑造食品特性的成分相互作用，以及人类感官系统产生的感知反应。本文综述了机器学习如何推动我们解码这些层次的能力，以及多模态和数据融合框架。理解这三个层次可能使我们能够更准确地预测食品特性，指导食品产品创新，并加深我们对食品的科学理解。
