类目筛选（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
-
-
深度筛选（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
-
-
标签记录（食品学者）
清除全部筛选
标签记录（计算机学者）
共 276 条结果
-
十种食用花茶非挥发性和挥发性化合物差异的比较研究：整合多组学、分子对接与机器学习方法
查看原文
2026
LWT
中科院一区JCR一区
Yi-xiao Xiao, Wen-zhang Qian, Shao-jun Fan, Xu Han, Fei Wang, Yun-yi Hu, Sheng-xiang Chen, Hong-ling Hu, & Shun Gao
食品标签
食用花卉 茶/茶饮料 特征风味 抗氧化/抗炎等功能 光谱/色谱/质谱等分析方法 代谢组学 多酚与黄酮计算机标签
随机森林 定量预测/回归分析 红外/拉曼光谱数据 时序传感器/物联网数据中国花茶因其香气和健康特性而被视为传统功能饮品。本研究采用整合方法，结合智能感官评价（电子鼻/电子舌）、非靶向代谢组学、GC-MS、分子对接和机器学习，对十种食用花茶进行分析，包括重瓣桃、东京樱花、鄂西樱桃、李、梅、美人梅、日本晚樱、桃、海棠和紫叶李等。感官评价显示，PSF、MMF 和 PSLF 品质较优（评分高于 84），并与甜味和鲜味特征相关。电子鼻和 GC-MS 揭示了不同样品的挥发性特征，其中 PSLF 的花香与较高倍半萜含量相关。电子舌检测到 PPF 和 PMF 具有明显苦味，分子对接显示尽管其生物碱含量较低，但 gambiriin A1 等化合物可能通过与苦味受体 T2R46 作用贡献苦味。代谢组学共识别出 3049 种共有代谢物，与鲜味受体 T1R1/T1R3 的分子对接确认 O-acetyl-L-homoserine 和黄酮苷类为关键呈味活性化合物。生物活性测定表明，PSLF 具有较强抗氧化能力（DPPH/ABTS IC50 分别为 0.375/0.242 mg/mL），PSF 对 alpha-glucosidase 具有较强抑制作用（IC50 为 0.086 mg/mL）。随机森林建模进一步指出槲皮素衍生物和 citrusin 异构体是主要生物活性贡献物。该多组学分析为理解花茶传统吸引力提供了科学依据，并支持其在功能饮料中的定向应用。
-
开发QSAR模型以预测蛋白质丰富食品系统中的蛋白质-风味结合
查看原文
2025
Food Chemistry
中科院一区JCR一区
Cristina Barallat-Pérez, Boudeswijn Hollebrands, Hans-Gerd Janssen, Sara Martins, Vincenzo Fogliano, Jos Hageman& Teresa Oliviero
食品标签
蛋白质配料 品质、结构与理化性质 蛋白质与氨基酸计算机标签
随机森林 定量预测/回归分析蛋白质与风味物质的结合是食品配方研发中的常见难题。预测模型能够以省时、省资源且低成本的方式，探究风味化合物的结构及理化性质对该结合机制的影响规律。本研究基于五种商用植物蛋白与三十三种风味化合物，构建了定量构效关系模型。研究结果表明，蛋白质-风味物质结合作用主要受风味化合物的结构与理化性质影响，而蛋白来源的影响作用相对较小。除疏水性外，拓扑描述符、电子描述符及几何描述符也对蛋白质与风味物质的结合效果具有显著作用。随机森林模型的预测值与实验值呈现极强的相关性（决定系数$Q^2$=0.93），且对未参与建模的风味物质和蛋白验证集也具备较高预测能力（决定系数$Q^2$=0.88）。本研究构建的预测模型有望用于风味组合定制与产品设计流程简化，在优化研发效率的同时，降低风味物质过量添加的风险。
-
发酵剁椒感官评分预测及关键香气化合物表征
查看原文
2025
Food Chemistry: X
中科院一区JCR一区
Yuan Liu, Lingyan Zhao, Chunya Yang, Yeyou Qin, Li Zhu & Fangming Deng
食品标签
蔬菜发酵制品 特征风味 感官评价与方法学 光谱/色谱/质谱等分析方法 其他理化与结构表征计算机标签
支持向量机 随机森林 其他深度学习结构 定量预测/回归分析 时序传感器/物联网数据 质构/流变/感官数据 多模态/融合数据发酵剁辣椒（FCP）具有复杂多变的香气特征，这使得准确预测其感官评分和识别关键香气化合物具有挑战性。本研究采用电子鼻（E-nose）结合机器学习方法来预测发酵剁辣椒的感官评分。在支持向量机（SVM）、多元线性回归（MLR）和反向传播神经网络（BPNN）中，随机森林（RF）表现出最高的预测准确率。电子鼻结合训练好的随机森林被用于预测八个地区发酵剁辣椒的感官评分。通过全二维气相色谱-嗅觉检测-四极杆飞行时间质谱（GC×GC-O-Q-TOF-MS）在表现最佳的样品（FCP-1）中检测到97种挥发性化合物和19种气味活性化合物。其中，34种化合物的气味活性值（OAV）大于1。香气重组和缺失实验证实，芳樟醇、苯乙醇、甲硫醇、3-异丁基-2-甲氧基吡嗪、反式-4-癸烯酸乙酯、β-紫罗兰酮、螺氧杂环烷、2-甲基丁酸乙酯、α-松油醇、4-乙基苯酚、β-突厥烯酮和橙花叔醇是FCP-1中的关键香气化合物。
-
真菌毒素的结构相似性、活性与毒性：结合无监督和监督机器学习算法的洞察
查看原文
2025
Journal of Agricultural and Food Chemistry
中科院一区JCR一区
Tânia F. Cova, Cláudia Ferreira, Sandra C. C. Nunes, & Alberto A. C. C. Pais
食品标签
过敏原与毒性问题 品质、结构与理化性质 其他特殊成分计算机标签
深度学习 随机森林 定量预测/回归分析 合成/仿真数据为主大量真菌毒素及相关真菌代谢物尚未接受毒理影响评估。现有方法通常优先关注特定目标家族，忽视了共存化合物的复杂性。该研究关注的核心问题是：是否可以基于确定的分子描述符集合，在计算机中评估真菌毒素分子相似性并预测其毒性。研究提出一种针对多类真菌毒素的快速非靶向筛查方法，将无监督和监督机器学习模型与分子和理化描述符结合，以加深对结构相似性、活性和毒性的理解。聚类分析识别出与已知真菌毒素家族对应的自然簇，表明同一簇内真菌毒素具有相似分子性质。然而，拓扑描述符在区分急性毒性和非急性毒性化合物方面具有重要作用。随机森林和神经网络结合分子描述符，可提升对真菌毒素毒性谱的认识和预测能力。随机森林可利用主要反映结构特征的数据预测毒性，并在包含生物活性描述符时表现良好；神经网络则比随机森林更敏感于生物活性描述符。包含结构复杂性、多样性、手性、对称性、连接性、原子电荷和极化率，以及反映亲脂性、吸收和渗透性质的描述符，对于毒性预测和更广泛毒理评价十分关键。
-
儿茶素处理对空气炸制薯片中美拉德反应典型有害产物的共生成及动力学曲线的联合调控与机器学习预测
查看原文
2025
Food Chemistry
中科院一区JCR一区
Jia Zeng, Fan Zhang, Jiening Yu, Xiaomei Yu, Xuzhi Wan, Jingjing Jiao & Yu Zhang
食品标签
其他根茎类 化学污染物 统计建模与仿真 其他特殊成分计算机标签
随机森林 定量预测/回归分析美拉德反应会产生有害的加工污染物，包括丙烯酰胺（AA）和Nε-（羧甲基）赖氨酸（CML），因此需要有效的抑制剂。本研究采用机器学习方法，预测儿茶素处理如何减少空气炸薯条中典型有害美拉德反应产物（hMRPs）的同时形成。儿茶素能显著抑制薯条中AA、游离CML和结合态CML的共同形成，其中（-）-表没食子儿茶素没食子酸酯的抑制率最高，分别为50.16%、48.73%和33.60%；茶多酚的缓解率分别为48.05%、50.21%和31.87%，呈现出非线性的剂量依赖性抑制效应。深入的动力学分析进一步表明，儿茶素显著抑制了AA和CML生成的产生阶段，但对其消除阶段无影响。随机森林模型显示出较高的预测准确性和可靠性，R2值均在0.9以上，RPD值超过3，表明该模型对AA和CML水平的估算具有优异的预测准确性和可靠性。这些发现有助于油炸食品行业对hMRPs的控制和食品安全管理，同时为开发智能预测模型以预测和减轻热加工污染物的形成提供了新见解。
