了解水仙茶烘焙过程中香气化合物的变化，对于提供科学指导至关重要。本研究采用气相色谱-离子迁移谱（GC-IMS）和二维气相色谱-嗅觉-质谱（GC×GC-O-MS）分别鉴定出100种和183种化合物。结合随机森林算法与相对气味活性值（rOAV），识别出8种关键差异化合物，分别是3-甲基丁醛、（E）-2-辛烯醛、5-甲基糠醛、2-乙基-5-甲基吡嗪、1-糠基吡咯、1-（1H-吡咯-2-基）-乙酮、1-辛烯-3-醇和（Z）-4-庚烯醛。对这些化合物的代谢途径进行分析后发现，它们主要涉及美拉德反应和脂质氧化。本研究不仅为水仙茶的定向加工和质量控制提供了理论支持，还通过整合先进分析技术与机器学习，提出了一种新颖的方法学框架，为研究茶叶烘焙过程中挥发性化合物的动态变化提供了新见解。
A62 (茶饮料): 研究对象为“武夷岩茶水仙 (Wuyi rock tea Shuixian)”，属于 A62。
B03 (品质、结构与理化性质): 核心任务是表征“挥发性化合物的动态变化 (dynamic changes of volatile compounds)”及风味品质形成，属于品质化学研究。
C14 (光谱/色谱/质谱): 使用了 GC-IMS 和 GC × GC-O-MS (全二维气相色谱-嗅闻-质谱联用)，属于色谱/质谱技术。
D55 (风味/香气成分): 研究聚焦于“香气化合物 (aroma compounds)”和“关键差异化合物 (key differential compounds)”，如吡嗪、醛类等，归为 D55 (风味/香气)。
E13 (随机森林/决策树): 摘要明确指出使用 "Random forest algorithm" 结合 rOAV 值筛选关键化合物。
F01 (分类/鉴别): 任务是“鉴定 (identify)”关键差异化合物（特征选择/筛选），属于广义的分类与鉴别任务。
G18 (多模态/融合数据): 题目强调 "integrating GC-IMS and GC × GC-O-MS"，结合了离子迁移谱和二维气相质谱两种数据源，属于数据融合。

尽管鸡蛋的风味会影响消费者的偏好和满意度，但对决定风味特征的因素研究却很少。本研究采用电子鼻、挥发性代谢组学和非靶向脂质组学方法，对不同禽蛋（鸡蛋、鸭蛋、鹅蛋、鹌鹑蛋和鸽子蛋）蛋黄的挥发性化合物和脂质谱进行了研究，同时探讨了这些成分之间的关系。此外，还开发了机器学习模型（高斯朴素贝叶斯、逻辑回归、随机森林、支持向量机和极端梯度提升）对禽蛋类型进行分类，并识别具有高预测准确性的生物标志物。总体而言，11种关键风味化合物被确定为对禽蛋风味有重要贡献的物质。对风味前体的分析表明，关键风味化合物主要来源于不饱和脂肪酸（UFAs）以及含有不饱和脂肪酸的磷脂酰乙醇胺（PE）、磷脂酰胆碱（PC）、甘油三酯（TAG）和酰基肉碱（ACAr）。此外，通过构建机器学习模型，获得了9种区分不同禽蛋的标志物（4种挥发性化合物和5种脂质代谢物）。
A22 (蛋类及其制品): 研究对象为“禽蛋蛋黄 (poultry egg yolks)”，包括鸡、鸭、鹅、鹌鹑和鸽子蛋。
B03 (品质、结构与理化性质): 核心目标是鉴定和理解影响消费者偏好的“风味特征 (flavour profiles)”，属于感官品质评估。
C14 (光谱/色谱/质谱): 使用“挥发性代谢组学 (volatile metabolomics)”和“非靶向脂质组学 (untargeted lipidomics)”，涉及 GC-MS/LC-MS 等高效分析技术。
D55 (风味/香气成分): 研究重点是“挥发性风味化合物 (volatile flavour compounds)”及其前体物。
E12 (支持向量机 SVM): 多个机器学习模型中包括 SVM。
E13 (随机森林/决策树): 多个机器学习模型中包括 Random Forest (RF) 和 XGBoost。
F01 (分类/鉴别): 任务是利用 ML 模型“区分 (distinguishing)”和“分类 (classify)”不同的禽蛋类型。
G18 (多模态/融合数据): 研究整合了电子鼻 (E-nose)、挥发性代谢组学和非靶向脂质组学数据，属于多组学和多传感器数据融合。

准确估算膳食摄入的化学成分对于健康和营养管理至关重要，尤其是在中国这样烹饪多样性复杂的地区。本研究介绍了一种新颖的人工智能驱动解决方案，该方案采用运动恢复结构-卷积神经网络（SfM-CNN）模型来自动分析中餐的化学成分。通过将先进的三维重建技术与深度学习（特别是尺度不变特征变换（SIFT）算法）相结合，我们实现了卓越的特征提取和食物体积估算，误差低于4%。我们的模型在新开发的ChineseDish-100数据集上进行了训练，结果显示，使用SIFT-ResNet50架构估算碳水化合物含量时，决定系数（R²）达到0.949。通过可视化，该模型的可解释性得到增强，这有助于参数优化和可靠的化学成分估算。这些结果凸显了人工智能驱动的模型在提供高效、准确且具有文化相关性的膳食分析工具方面的潜力，标志着在文化多样性地区的营养科学、食品化学和公共卫生举措方面取得了重大进展。

受利益驱动的白酒掺假行为，严重危害消费者健康并扰乱市场秩序。本研究将高光谱成像技术与深度学习相结合，用于掺假检测。在对正品和掺假样品进行分类时，粒子群优化支持向量机（PSO-SVM）通过优化的光谱预处理，达到了97.62±1.15%的准确率。在定量预测方面，研究提出了一种名为Ghost-LSTM-缩放点积注意力（GLSNet）的新型融合网络，其预测性能（RP²=0.9569±0.0145）显著优于传统的偏最小二乘回归（PLSR）以及其他深度学习模型，如卷积神经网络（CNN）和卷积神经网络-长短期记忆网络（CLNet），同时与PLSR相比，推理效率提高了3.55倍。GLSNet在外部验证集上表现良好，并通过热图可视化了掺假分布情况。研究表明，高光谱成像结合深度学习能够快速、准确地检测白酒掺假，为质量控制和市场监管提供支持。
A73 (酒精饮料): 研究对象为“浓香型白酒 (strong-aroma Baijiu)”，属于烈酒，归为 A73。
B94 (质量管理与追溯系统): 核心任务是“白酒掺假检测 (Baijiu adulteration detection)”，属于食品真实性鉴别。
C14 (光谱/成像): 使用 "Hyperspectral imaging" (高光谱成像) 技术。
D85 (其他特殊成分): 目标是检测掺假情况，即通过整体光谱指纹识别假冒/劣质成分，归为 D85。
E12 (支持向量机 SVM): 使用 PSO-SVM 模型进行掺假分类。
E21 (卷积神经网络 CNN): 混合网络 (GLSNet) 中包含 CNN 模块 (CLNet基准模型也使用)。
E22 (循环神经网络 RNN): 混合网络中包含 "LSTM" 模块。
E24 (注意力机制): 新提出的 GLSNet 融合网络中包含了 "Scaled Dot-Product Attention" (注意力机制)。
F01 (分类) & F02 (预测): 任务包括掺假的“定性分类 (classification)” (F01) 和“定量预测 (quantitative prediction)” (F02)。
G12 (高光谱/多光谱数据): 数据源为高光谱成像数据。

在此，我们构建了一种基于铜-碳氮单原子纳米酶（Cu-CN SANs）的新型比色策略，用于丙烯酰胺检测。Cu-CN SANs具有优异的氧化酶模拟活性，能有效催化底物TMB氧化，生成蓝色产物。谷胱甘肽（GSH）会抑制Cu-CN SANs对TMB的氧化作用。然而，丙烯酰胺的加入会使GSH与丙烯酰胺发生高效的硫烯迈克尔加成反应，从而恢复Cu-CN SANs对TMB的氧化能力。所建立的方法可在0.05–15μM的线性范围内检测丙烯酰胺，检测下限（LOD）低至15.4nM，相对标准偏差（RSD%）低于4.3%。将该生物传感器应用于实际样品检测时，对面包、饼干和薯片样品中丙烯酰胺的分析回收率达到95.3–103.6%，结果令人满意。此外，将该传感器与智能手机集成后可实现现场检测，检测下限为146nM。
A07 (方便食品/焙烤制品): 遵照您的指示，面包 (bread)、曲奇 (cookies) 和薯片 (chips) 均为淀粉基的焙烤或油炸加工食品，归为 A07 (此处修正为 A07，代表此类加工食品的上级分类)。
B52 (化学污染物): 核心任务是检测“丙烯酰胺 (acrylamide)”，属于热加工过程中产生的化学污染物。
C14 (光谱/成像): 方法基于“比色策略 (colorimetric strategy)”和“智能手机辅助 (Smartphone-assisted)”，利用视觉信号进行检测。
D85 (其他特殊成分): 检测目标为丙烯酰胺。
E18 (其他传统机器学习): 智能手机辅助检测通常包含基于图像 RGB 值的回归算法（标准曲线法），归为 E18。
F02 (定量预测): 任务是“定量检测”，提供了 LOD 和回收率。
G11 (可见光/图像数据): 数据源为智能手机拍摄的图像。