本研究采用气相色谱-质谱联用（GC-MS）、气相色谱-离子迁移谱（GC-IMS）、电子鼻和电子舌，对来自5个核心产区、陈化年限为5至40年的广陈皮（GCP）的风味特征进行了分析。主要研究结果包括：电子鼻中W1W、W2S和W5S传感器，以及电子舌中的苦味、鲜味、甜味、酸味和涩味至关重要。共鉴定出219种挥发性有机化合物（VOCs），通过偏最小二乘判别分析（PLS-DA）筛选出43种特征性挥发性有机化合物。风味化合物的变化呈现“Λ”形，在30年陈化时达到峰值。陈化对风味的影响大于产地，其中天马产区（TM）的样品风味最浓郁。在开发的7种机器学习预测模型中，随机森林（RF）模型表现最佳，在产地鉴别中准确率达100%，在陈化年限预测中准确率达96%。通过排名前10的关键特征，验证了异丙醇和5-甲基-2（3H）-呋喃酮等关键特征因子，证实了模型的可解释性。
A45 (其他果蔬制品): 研究对象为“广陈皮 (Guangchenpi, Citri Reticulatae Pericarpium)”，属于柑橘皮的干制品，归为 A45 (其他果蔬制品/药食同源)。
B94 (质量管理与追溯系统): 核心任务是“产地判别 (geographical origin discrimination)”和“陈化年份预测 (aging year prediction)”，属于质量鉴别与防伪。
C14 (光谱/色谱/质谱): 使用了 GC-MS 和 GC-IMS (C14)，同时使用了电子鼻和电子舌 (C15)。
D85 (其他特殊成分): 检测目标为“风味特征 (Flavor characteristics)”，包含 VOCs 和滋味指标，归为 D85。
E13 (随机森林/决策树): 摘要明确指出 "Random Forest (RF)" 模型性能最佳，优于其他6种模型。
F01 (分类) & F02 (预测): 包含产地判别 (F01) 和陈化年份预测 (F02，虽用 accuracy 描述，但年份通常视为连续或序数预测任务，且模型具备回归潜力，此处 F01/F02 均涵盖)。
G18 (多模态/融合数据): 核心亮点是 "Integrative approach"，融合了 GC-IMS, GC-MS, E-nose, E-tongue 四种不同维度的仪器数据，属于典型的数据融合 G18。

本研究介绍了一种利用加权人工神经网络（w-ANNs）开发图形特征图的新方法，并展示了其通过基于TensorFlow（TF）实现的卷积神经网络（CNN）在枇杷汁品种（即白沙枇杷汁和红沙枇杷汁）分类中的应用。在特征图生成阶段，顶空气相色谱-离子迁移谱（HS-GC-IMS）分析识别出两组不同的关键化合物，每组包含7种对白沙枇杷汁和红沙枇杷汁具有高响应性的特定化学物质。SHapley可加性解释（SHAP）分析进一步揭示了最具影响力的分子特征描述符（MFDs），其中Kappa2、Gasteiger电荷和LogP是白沙枇杷汁的前三名MFDs，而Kappa2、Kappa3和Fraction_SP3则是红沙枇杷汁最重要的MFDs。随后构建了图形特征图。此外，通过从PubChem检索结构相似的化合物，开发了一个全面的枇杷化学库。性能评估表明，该方法的有效性取决于具体情境，并且在不同的应用场景中可能会有所差异。

选择能够区分淡水养殖和海水养殖鲑科鱼类的特征变量，对于建立可靠的溯源方法至关重要。本研究中，鲑科鱼类在三种不同的盐度变化模式下养殖了94天。对它们的稳定同位素、元素和磷脂脂肪酸进行了表征。不同变量对盐度变化表现出不同的敏感性。通过各种数据融合策略对这些数据进行整合，创建了五个数据集，分别包含40、12、12、9和7个变量。将这五个数据集与支持向量机（SVM）、随机森林（RF）、线性判别分析（LDA）和正交偏最小二乘判别分析（OPLS-DA）相结合，对来自不同养殖方式的86条鲑科鱼类进行区分。使用SVM和数据集IV获得了100%的满意判别率。该数据集包含的9个变量（δ2H、δ18O、Sr、C18:0、ΣSFA、C20:3n3、C22:6n3、C18:2n6和ΣPUFA）是区分淡水养殖和海水养殖鲑科鱼类的潜在指标。
A23 (鱼类): 研究对象为“鲑鳟鱼 (Salmonids)”，属于鱼类 A23。B94 (质量管理与追溯系统): 核心任务是“鉴别 (distinguish)”淡水和海水养殖的鱼类，属于产地/生产方式溯源。C14 (光谱/色谱/质谱): 检测指标包括“稳定同位素 (stable isotopes)”、“元素 (elements)”和“磷脂脂肪酸 (phospholipid fatty acids)”，通常涉及质谱和色谱分析技术。D85 (其他特殊成分): 最终筛选出的 9 个特征变量包含同位素 ($delta^2H, delta^{18}O$)、元素 (Sr) 和多种脂肪酸，属于混合型化学标志物，归为 D85 (虽然脂肪酸 D12 占比高，但同位素和元素也是关键维度，D85 更具包容性)。E12 (支持向量机 SVM): 摘要明确指出 "SVM" 模型在特定数据集上达到了 100% 的判别率，优于 RF 和 OPLS-DA。E45 (特征工程与选择): 题目和摘要的核心贡献在于 "Feature variable selection" (特征变量选择)，从多维数据中筛选出关键指标，属于特征工程范畴。F01 (分类/鉴别): 任务是将样本分为淡水养殖或海水养殖，属于分类任务。G18 (多模态/融合数据): 题目强调 "Data fusion strategies"，整合了同位素、元素和脂肪酸三种不同层面的化学指纹数据。G21 (小规模数据集): 样本量为 86 个 (86 salmonids)。

区分食品基质中的天然抗氧化酚类化合物与污染物，对于确保食品质量和安全至关重要。在此背景下，基于纳米酶的传感器已成为颇具前景的工具，展现出在有效检测和区分方面的巨大潜力。然而，构建具有高催化活性的多功能、低成本纳米酶生物传感器仍是一项关键挑战。本研究提出了一种介质阻挡放电（DBD）等离子体方法，利用钴基金属有机框架（Co-MOF）合成非晶态四氧化三钴（a-Co3O4）漆酶样纳米酶。这种非晶态四氧化三钴通过Co²⁺/Co³⁺ redox对和Co-O活性位点展现出漆酶样活性，模拟了天然漆酶的配位环境。借助其催化多功能性、稳定性以及pH依赖性的底物亲和力，研发出一种新型传感器阵列，可对多种酚类化合物进行灵敏（0.1–12μM）区分。将其与智能手机成像和机器学习相结合，实现了实际样品分析。因此，本研究提供了一种可扩展的基于低温等离子体（LTP）的纳米酶制备策略，并拓展了其在生物传感和食品安全检测中的应用。

监测水产食品的新鲜度对于确保其质量和安全至关重要。次黄嘌呤（Hx）由三磷酸腺苷降解产生，是虾腐败过程中的早期指标。目前尚无基于纸基的生物传感器可通过检测次黄嘌呤来监测虾的新鲜度。本研究首次报道了一种结合智能手机和双酶系统的比色纸基生物传感器。研究制备了镍铂纳米颗粒（直径为2.45±0.52纳米）作为过氧化物酶模拟纳米酶，并将其与黄嘌呤氧化酶结合形成双酶系统，随后与壳聚糖修饰的滤纸共同制成测试条，借助智能手机进行智能分析。该传感器的线性检测范围为18.75至600微摩尔，检测限为9.67微摩尔。在实际应用中，该生物传感器具有较高的准确性、良好的抗干扰能力和经济可行性。本研究为设计用于检测虾中次黄嘌呤以及食物链中其他目标物的智能纸基生物传感器提供了参考。
A24 (甲壳类): 研究对象为“虾 (Shrimp)”，属于 A24。
B03 (品质、结构与理化性质): 核心任务是“新鲜度监测 (freshness monitoring)”，次黄嘌呤 (Hx) 是关键的腐败/新鲜度指标。
C14 (光谱/成像): 方法基于“比色纸基生物传感器 (Colorimetric paper-based biosensor)”和“智能手机 (Smartphone)”，利用图像进行比色分析，归为 C14 (光谱/成像)。（注：虽然涉及生物酶 C11，但在智能手机检测的语境下，数据获取方式为成像 C14，与同类文献处理一致）。
D85 (其他特殊成分): 检测目标为“次黄嘌呤 (Hypoxanthine, Hx)”，属于核苷酸降解产物/代谢物，归为 D85。
E18 (其他传统机器学习): 摘要提及“智能分析 (intelligent analysis)”，通常指在智能手机 App 中内嵌的图像处理和回归校准算法（如建立颜色-浓度标准曲线），归为 E18 (其他传统机器学习/统计学习)。
F02 (定量预测): 任务是“定量检测 (Linear detection range, LOD)”。
G11 (可见光/图像数据): 数据源为智能手机拍摄的试纸条显色图像。