随着全球人口增长和供应链复杂化，食品安全挑战日益加剧。传统分析方法虽精准，但在速度和适应性方面存在局限。机器学习（ML）提供了数据驱动的解决方案，在污染物检测（农药、重金属、微生物）、通过图像/感官分析进行质量评估以及供应链溯源等方面表现出色。尽管潜力巨大，机器学习仍面临数据质量不一致、模型可解释性不足以及缺乏标准化协议等挑战。未来的进展取决于优化算法以提高准确性、通过可解释人工智能增强透明度、整合物联网进行实时监测以及建立监管框架。这些创新有望改变食品安全分析，确保全球食品更安全且可溯源。
A96 (其他复合食品): 综述讨论的是通用的“食品安全 (Food safety)”，涉及全球供应链，未限定特定基质，归为 A96。
B05 (食品安全与风险评估): 核心主题是“食品安全分析 (Food safety analysis)”，涵盖污染物检测和溯源。
C14 (光谱/成像): 摘要明确提及利用 "Image/sensory analysis" (图像/感官分析) 进行质量评估，属于 C14 范畴（同时也涵盖了传统分析方法的数字化替代）。
D85 (其他特殊成分): 关注对象包括“农药、重金属、微生物 (pesticides, heavy metals, microbes)”等污染物，归为 D85。
E18 (其他传统机器学习): 综述了 "Machine learning (ML)" 的整体应用。
E43 (模型可解释性 XAI): 摘要特别强调了 "Explainable AI" 以增强透明度，这是未来发展的重要方向。
F01 (分类) & F02 (预测): 涵盖了“污染物检测 (Detection - F01)”和“质量评估 (Assessment - F01/F02)”。
G14 (时序传感器/物联网数据): 摘要提及整合 "Internet of Things (IoT)" 进行实时监控，涉及物联网数据。

本研究提出了一种利用三元复合表面增强拉曼光谱（SERS）基底检测牛奶中痕量喹诺酮类抗生素的方法。该方法结合化学计量学算法和深度学习模型，实现对抗生素的定性和定量分析。三元复合基底由Au@mSiO₂（YSN）、Fe₃O₄@MoS₂和还原氧化石墨烯（rGO）组合而成，并采用时域有限差分（FDTD）方法对其电磁场进行了分析。该基底显著增强了分子信号的电磁场效应。牛奶中恩诺沙星（ENR）、依诺沙星（ENO）和诺氟沙星（NOR）的检测限分别为5.44×10⁻¹⁰ M、5.59×10⁻¹⁰ M和6.02×10⁻¹⁰ M。CKAN模型在定性分析中达到了100%的准确率，对三种抗生素的定量分析的决定系数（R²）均超过0.99，优于传统方法，且在较少的训练轮次下就能取得良好结果。因此，该方法在牛奶中抗生素的SERS检测方面具有巨大潜力。
A31 (乳制品): 研究

玉米种子的发芽率是确保高质量播种和适合食品加工的关键指标。为解决传统发芽试验的局限性，研究人员开发了一种基于近红外（NIR）光谱结合高斯过程回归（GPR）的快速且无损的评估方法。研究应用了多种光谱数据预处理技术，并构建了一个融合高斯核函数和线性核函数的混合核函数。采用粒子群优化（PSO）算法对核参数进行优化。PSO-GPR模型表现优异，训练集和验证集的决定系数（R²）分别为1.000和0.9899，均方根误差（RMSE）分别为0.0059和0.0033，残差预测偏差（RPD）达到9.3，性能优于偏最小二乘回归（PLSR）和支持向量机（SVM）模型。本研究为作物种子质量的无损评估提供了一种新策略，并为智慧农业实践的发展做出了贡献。
A12 (玉米): 研究对象为“玉米种子 (Maize seeds)”，属于 A12。
B03 (品质、结构与理化性质): 核心任务是检测“发芽率 (germination rate)”，这是衡量种子活力和加工适用性的重要品质指标。
C14 (光谱/成像): 使用“近红外光谱 (NIR spectroscopy)”。
D85 (其他特殊成分): 检测目标为“发芽率”，属于综合生理/品质指标，归为 D85。
E18 (其他传统机器学习): 提出的核心算法是 "Gaussian Process Regression (GPR)" (高斯过程回归)，并结合了粒子群优化 (PSO)。GPR 是一种基于核函数的概率机器学习模型，归入 E18 (其他传统机器学习/统计学习)。
F02 (定量预测): 任务是预测发芽率数值（使用 R² 和 RMSE 评价），属于回归预测。
G13 (光谱数据): 数据源为 NIR 光谱。

人乳中乳源抗菌肽（HMAMPs）在新生儿的营养和免疫系统构建中发挥着重要作用。目前的抗菌肽预测模型无法准确预测人乳源抗菌肽，因此迫切需要高通量且有针对性的方法。本研究提出了一种利用肽组学技术和深度学习方法发现人乳源抗菌肽的新流程。我们构建了一个新的乳源抗菌肽预测模型——DeepMAMP，该模型结合了轻量级梯度提升机（LightGBM）、长短期记忆网络（LSTM）和注意力机制，准确率达到81.4%。通过DeepMAMP预测出了人乳中311种潜在的人乳源抗菌肽。对其中6种预测出的潜在人乳源抗菌肽进行了抗菌实验，有5种经实验验证为人乳源抗菌肽。研究结果证实了DeepMAMP对人乳源抗菌肽的预测有效性，为筛选新型人乳源抗菌肽提供了一种全面的方法，也为人乳源抗菌肽在功能性食品和医药领域的应用提供了有力支持。
A31 (乳制品): 研究对象为“人乳/母乳 (Human milk)”。虽然属于特殊乳源，但在食品科学中常作为婴儿配方奶粉（乳制品）的参考标准或功能性成分来源，归为 A31。
B42 (抗氧化/抗炎/抑菌等功能): 核心功能是“抗菌 (Antimicrobial)”和“免疫系统构建 (immune system construction)”，属于生物活性/功能评价。
C34 (组学技术): 摘要明确提及基于 "Peptidomics technology" (肽组学技术)。
D11 (蛋白质与氨基酸): 研究物质为“抗菌肽 (Antimicrobial peptides, MAMPs)”，归为 D11。
E22 (循环神经网络 RNN): 模型包含 "Long Short-Term Memory (LSTM)"，属于 RNN 变体。
E24 (注意力机制): 模型结合了 "attention mechanism" (注意力机制)。
E13 (提升树/随机森林): 模型还结合了 "Light Gradient Boosting Machine (LightGBM)"，属于集成学习中的提升树算法。
F01 (分类/鉴别): 任务是“预测 (Predict)”和“筛选 (Screening)”潜在的抗菌肽（通常是二分类问题：是/否具有活性），归为 F01。
G15 (组学数据): 数据基础是肽段序列信息（肽组学数据）。

传统分析系统在量化复杂食品基质中的鲜味感知及协同作用方面面临挑战，尤其在模拟人类味觉辨别方面。为此，我们开发了一种基于味蕾类器官和流式细胞术（TOS-FC）的鲜味生物传感器，该传感器具有宽动态范围（对谷氨酸钠（MSG）而言为10⁻⁷至2×10⁻¹ M）、强线性相关性（R²＞98%）以及超出传感器寿命的稳定操作性。TOS-FC平台成功量化了三种具有代表性的鲜味刺激物——谷氨酸钠（MSG）、5'-肌苷酸（IMP）和谷氨酸-脯氨酸二肽（EP，一种具有代表性的鲜味肽）。与电子舌相比，它在检测协同效应（如MSG+IMP和EP+IMP组合）方面也表现更优。偏最小二乘判别分析显示，TOS-FC测量结果与感官评价之间存在强相关性，表明其具有较高的预测有效性。这种仿生传感策略为复杂食品系统中与生理相关的味觉分析建立了新范式，在食品质量研究中具有潜在应用价值。
A119 (其他添加剂与配料): 研究对象为“鲜味物质 (Umami substances)”，具体包括 MSG (谷氨酸钠)、IMP (肌苷酸二钠) 和鲜味肽，属于食品添加剂/配料，归为 A119。
B08 (感官科学与消费者研究): 核心主题是模拟“鲜味感知 (Umami perception)”、检测“协同效应 (Synergistic effect)”并与“感官评价 (Sensory evaluation)”进行关联。
C11 (生物传感器): 核心技术是开发了“基于味蕾类器官的生物传感器 (Biosensor based on taste bud organoids)”，结合流式细胞术 (TOS-FC)，属于先进生物传感技术。
D11 (蛋白质与氨基酸): 检测目标为氨基酸（谷氨酸/MSG）和肽（EP），归为 D11。
E11 (偏最小二乘法 PLS): 摘要明确提及使用 "Partial least squares discriminant analysis (PLS-DA)" 分析传感器数据与感官数据的相关性，并进行预测。
F02 (定量预测): 任务是“定量 (Quantifying)”鲜味物质浓度以及预测感官鲜味强度。
G16 (质构/流变/感官数据): 数据涉及“感官评价 (Sensory evaluation)”评分数据。