热辅助提取（HAE）、超声辅助提取（UAE）、微波辅助提取（MAE）和加压液体提取（PLE）是一系列具有不同物理原理的技术，这些原理会影响从山金车花中提取生物活性化合物的效率和选择性。预计这些技术会产生独特的代谢物谱，进而影响提取物的成分和功能。本研究将非靶向代谢组学与基于机器学习的化学计量学相结合，并对通过这四种技术获得的山金车花 hydroethanolic 提取物的体外生物活性进行了全面评估。PLE 得到的植物化学谱最为独特。所有提取物都含有关键的酚类物质，如花青素、木脂素及相关化合物。MAE 提取物表现出较强的抗氧化和神经保护作用，这与三萜类代谢物有关；而 PLE 提取物则显示出抗炎、细胞毒性和抗氧化活性，这主要受花青素和黄酮醇的影响。这些发现加深了我们对提取技术如何塑造山金车花提取物功能潜力的理解，有助于其作为营养保健品或生物活性成分在食品领域的应用。
A119 (其他添加剂与配料): 研究对象为“山金车 (Arnica montana)”的提取物。山金车通常作为草本植物用于提取生物活性成分，应用于功能食品或作为配料，归入 A119 (其他添加剂与配料) 以代表其作为原料提取物的属性。
B42 (抗氧化/抗炎等功能): 核心任务是评估提取物的“体外生物活性 (in vitro biological activities)”，具体包括抗氧化、神经保护、抗炎等，属于 B42 (功能/活性评价)。
C34 (代谢组学): 摘要明确提及使用 "Untargeted metabolomics" (非靶向代谢组学) 分析代谢物谱。
D05 (植物化学物质): 关注对象为“酚类、花青素、木脂素 (phenolics, anthocyanins, lignans)”等次生代谢产物，归为 D05。
E18 (其他传统机器学习): 题目和摘要提及 "Machine learning-based chemometrics" (基于机器学习的化学计量学)。此类研究通常使用 PCA, PLS-DA, RF 等算法关联代谢谱与活性，归为 E18 (通用机器学习/化学计量学)。
F01 (分类/鉴别): 任务是区分不同提取方法产生的“独特代谢物谱 (unique metabolite profiles)”及对应的活性特征，属于分类与差异分析。
G15 (组学数据): 数据源为代谢组学数据。

受叔丁基对苯二酚（TBHQ）清除自由基机制的启发，研究人员开发了一种基于二氧化锰纳米花（MnO₂ NFs）纳米酶的智能手机辅助比色传感水凝胶，用于TBHQ检测。通过高锰酸钾（KMnO₄）的热分解反应，成功合成了具有优异类氧化酶活性的MnO₂ NFs。这些MnO₂ NFs纳米酶能够产生超氧阴离子自由基（O₂⁻·）和羟基自由基（·OH），将无色的3,3',5,5'-四甲基联苯胺（TMB）转化为蓝色的氧化型TMB（oxTMB）。TBHQ的存在会中和这些自由基，导致652纳米处的吸光度降低。这为食用油中TBHQ的检测提供了一种高灵敏度的定量方法，其线性检测范围为0.5–42μg/mL，检测限低至0.087μg/mL。此外，研究还设计了一种智能手机辅助水凝胶，用于TBHQ的可视化灵敏检测。该方法的检测结果与高效液相色谱法的结果高度吻合，为食用油中TBHQ的快速检测提供了一种创新且高效的途径。
A51 (植物油): 研究对象为“食用油 (Edible oils)”，属于 A51。
B52 (化学污染物): 检测目标为“特丁基对苯二酚 (TBHQ)”。TBHQ 是一种合成抗氧化剂（食品添加剂），对其含量的监控属于添加剂/化学残留检测范畴 (B52)。
C14 (光谱/成像): 方法基于“比色传感 (Colorimetric sensing)”和“智能手机辅助 (Smartphone-assisted)”，利用视觉信号进行检测，属于光谱成像。
D85 (其他特殊成分): TBHQ 为合成抗氧化剂，归为 D85。
E18 (其他传统机器学习): 属于典型的智能手机比色传感应用，利用手机采集图像的 RGB 值并建立定量回归模型，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 (Quantitative method)”。
G11 (可见光/图像数据): 数据源为智能手机拍摄的水凝胶显色图像。

在食品工业中快速准确地检测过氧化氢（H₂O₂）和抗坏血酸（AA）对人体健康至关重要。本文设计了一种新型铈基多金属氧酸盐[Ce(H₂O)₉][Cu(H₂O)(2,6-pdca)]₃H[SiW₁₂O₄₀]·5H₂O（Ce-POM）（2,6-H₂pdca = 2,6-吡啶二甲酸），并将其负载到铜基1,3,5-苯三甲酸盐（CuBTC）上，得到了Ce-POM/CuBTC。该材料能催化H₂O₂氧化3,3′,5,5′-四甲基联苯胺（TMB）生成蓝色的氧化型TMB（ox-TMB），而AA可还原ox-TMB。因此，建立了一种双功能比色检测体系，其检测限分别为0.45μM（H₂O₂）和2.63μM（AA），线性范围分别为1–80μM（H₂O₂）和5–400μM（AA）。我们进一步开发了一种基于Ce-POM/CuBTC的智能手机辅助纸基装置（PAD），用于现场检测。此外，小鼠皮肤毒性研究表明，Ce-POM/CuBTC对小鼠的皮肤、体重和重要器官均无不良影响，证实了其良好的生物安全性。该比色体系成功应用于实际样品检测，展示了稀土多金属氧酸盐复合材料在食品安全领域的应用潜力。
A96 (其他复合食品): 摘要提及 "Food samples" 和 "Real sample detection"，未指定单一特定基质，归为 A96 以代表广泛适用性。
B52 (化学污染物): 核心任务是检测“过氧化氢 (H2O2)”。H2O2 常作为非法漂白剂或防腐剂残留，属于食品安全检测范畴 (B52)。虽然也检

本研究介绍了保形预测回归在掺假食品中红外光谱数据集上的一种新颖应用。研究分析了两个数据集，并使用归一化归纳非一致性函数对12个高精度基础模型进行了测试。在所有情况下，在99%的置信水平下，与绝对残差相比，使用归一化非一致性函数获得的误差幅度显著更低，平均降低了32.1%，且不会损失任何有效性。在所有研究案例中，生成的误差幅度与基础模型的准确性之间存在显著的正相关（p < 0.05），且这种相关性与设定的置信水平无关。基于本研究的发现，建议使用一种稳健的解决方案，该方案涉及多个组合的归一化保形预测器，并在每种情况下选择具有最佳效率的预测器，用于利用中红外数据对掺假进行定量测定。保形预测器可以作为每个单独测试样本在振动光谱学中准确性的定量估计器。
A96 (其他复合食品): 摘要提及使用了两个“掺假食品 (adulterated foods)”数据集，未具体说明食品种类，归为 A96 以代表通用性方法。
B94 (质量管理与追溯系统): 核心任务是检测“掺假 (adulteration)”，属于防伪与真实性鉴别。
C14 (光谱/成像): 使用 "Mid-infrared spectroscopic" (中红外光谱) 技术。
D85 (其他特殊成分): 检测目标为掺假物含量，归为 D85。
E18 (其他传统机器学习): 论文核心方法是 "Conformal Predictor Regression" (共形预测回归/一致性预测)。这是一种建立在其他机器学习模型（underlying models，文中测试了12种）之上的统计框架，用于评估预测的可信度和置信区间。由于它通常包裹传统的化学计量学或ML模型，且不属于深度学习，归为 E18。
F02 (定量预测): 任务是“定量测定 (Quantitative determinations)”掺假程度。
G13 (光谱数据): 数据源为中红外光谱。

多发射荧光传感长期以来一直是一个重要的研究课题，致力于解决区分污染物类似物的难题。基于这一研究热点，一种多发射三配体金属有机框架（CUST-864：[Eu(phen)(atiip)(HIPA)·H₂O]）被成功合成，它能够在牛奶和蜂蜜等实际食品样品中以100%的准确率同时识别六种抗生素。此外，还制备了一种便捷的水凝胶复合材料（H-CUST-864），用于抗生素的现场检测。当与智能手机结合使用时，这种水凝胶材料可实现可视化检测，从而能够对抗生素进行半定量监测。这项工作为具有多发射荧光特性的镧系金属有机框架在可视化监测方面提供了更广阔的应用前景。
A96 (其他复合食品): 研究对象包括“牛奶 (milk)”和“蜂蜜 (honey)”。由于涉及不同类别的食品基质，归入 A96 以代表广泛适用性（参照 LY0066 处理方式）。
B52 (化学污染物): 核心任务是检测“抗生素 (antibiotics)”，属于兽药残留/化学污染物检测。
C14 (光谱/成像): 方法基于“多发射荧光传感 (Multi-emission fluorescence sensing)”和“智能手机可视化检测 (visual detection)”，属于光谱成像技术。
D85 (其他特殊成分): 检测目标为抗生素，归为 D85。
E18 (其他传统机器学习): 类似于此前的智能