类目筛选(食品学者)
-
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)
-
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)
标签记录(计算机学者)
共 187 条结果
-
基于机器学习辅助荧光传感器阵列的多抗生素快速视觉判别与定量
查看原文2025
Food Control
中科院一区JCR一区Yongbo Wang, Shaojie Wang, Zuyi Zhang, Yuanna Ning, Wencai Wang, Chengyuan Liang & Yanting Jia
食品标签
化学污染物 光谱/色谱/质谱等分析方法计算机标签
大语言模型 定量预测/回归分析 高光谱/多光谱光谱多种抗生素的协同污染因其协同和叠加效应对公众健康产生严重影响,而快速判别和定量多种抗生素仍是一项艰巨挑战。本研究开发了一种集成荧光传感器阵列和机器学习辅助便携设备的分析平台,实现对多种抗生素的判别与定量。采用碳点(CDs)和碲化镉量子点(QDs)作为传感元件构建荧光传感器阵列,用于多种抗生素的判别。通过判别抗生素混合物、定量分析抗生素及识别实际样品中的抗生素,进一步验证了方法的检测性能。此外,构建了结合智能手机自开发应用的便携设备,实现抗生素的快速视觉判别。该工作为食品样品中多种有害物质的快速现场检测提供了新途径。
-
基于随机森林的杀虫分子探索:实现高杀虫活性与低蜜蜂毒性的平衡
查看原文2025
Journal of Agricultural and Food Chemistry
中科院一区JCR一区Wei Guo, Xiangmin Song, Yongchao Gao, Shuai Yang, Jiahong Tang, Chen Zhao, Haojing Wang, Jiajun Ren, Lingda Zeng & Hanhong Xu
食品标签
化学污染物 其他可持续性主题 其他统计建模方法计算机标签
随机森林 分类/鉴别/等级评定 定量预测/回归分析 文本/知识库/法规数据具有高活性的杀虫分子对于全球减少农药使用和保障食品安全至关重要。然而,由于这些分子对蜜蜂具有相当高的毒性,其使用受到了限制。在新杀虫分子的开发过程中,平衡杀虫活性与对蜜蜂的毒性控制仍然是一个关键挑战。在本研究中,我们提出了一种利用既对害虫高效又对蜜蜂毒性极小的分子的新策略。一系列分子被合成并进行了测试,以训练一个机器学习(ML)模型来预测对害虫的杀虫活性。同时,另一个 ML 模型是利用公开可用的数据训练的,用于预测对蜜蜂的毒性。这些模型表现良好,杀虫活性的平均 AUC 值为 0.88 ± 0.05,对蜜蜂的毒性平均 AUC 值为 0.91 ± 0.01。通过将这两个模型整合起来,我们成功地预测并实验证实了一种具有高杀虫活性和低对蜜蜂毒性特征的分子。这种双 ML 模型的方法为开发既有效又对环境安全的杀虫分子提供了一条有前景的途径,从而为可持续农业做出了贡献。
-
基于分子网络结合Mzmine与DeepMass技术快速发现苦木中具拒食活性的苦木素类成分
查看原文2025
Journal of Agricultural and Food Chemistry
中科院一区JCR一区Bensong Xin, Fuxin Hu, Qing Wang, Bin Lin, Xiaoxiao Huang & Shaojiang Song
食品标签
水果/蔬菜与菌菇类/植物类 其他生物活性与健康效应 化学污染物 光谱/色谱/质谱等分析方法 其他理化与结构表征 其他特殊成分计算机标签
深度学习 分类/鉴别/等级评定小菜蛾是十字花科蔬菜作物的全球性害虫。随着化学抗性的增加,对天然高效植物农药的需求逐渐增长。苦木素类化合物因其独特的结构特征,通常表现出多种生物活性,包括杀虫、抗肿瘤和抗炎特性。本研究基于分子网络结合Mzmine与DeepMass技术,从苦木枝叶中分离得到6个新化合物(1–6)和13个已知苦木素类化合物(7–19),并通过光谱分析、量子化学计算及实验与计算ECD数据对比明确其结构和构型。所有化合物均评估了对小菜蛾的拒食活性,其中化合物6、8和12在200 μg/mL浓度下表现出中等拒食活性,选择性拒食率分别为72.1 ± 0.7%、82.8 ± 0.5%和83.7 ± 0.5%。本研究为开发新型植物源农药提供了植物化学基础。
-
基于化学计量学和深度学习的协同分析:一种创新的科尔莫戈罗夫-阿诺德神经网络(CKAN)模型结合三元杂化表面增强拉曼散射基底(Au@mSiO₂(YSN)-Fe₃O₄@MoS₂-rGO)用于牛奶中痕量喹诺酮类抗生素的高灵敏度检测
查看原文2025
Food Chemistry
中科院一区JCR一区Xijun Wu, Jiangtao Wang, Xuan Zhao, Xuan Zhao, Shixin Wang & Yugang Zhao
食品标签
液态乳 化学污染物 光谱/色谱/质谱等分析方法 其他特殊成分计算机标签
其他深度学习结构 分类/鉴别/等级评定 定量预测/回归分析 红外/拉曼光谱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。
-
基于金-硒纳米线的机器学习集成SERS平台用于实际样品中靛蓝胭脂红的检测
查看原文2025
Food Chemistry
中科院一区JCR一区Nazar Riswana Barveen, Che-Wei Zeng & Yu-Wei Cheng
食品标签
其他复合食品 化学污染物 光谱/色谱/质谱等分析方法 其他特殊成分计算机标签
智能手机/其他 分类/鉴别/等级评定 红外/拉曼光谱数据我们开发了一种由金纳米颗粒修饰的硒纳米线(Au-Se纳米线)组成的表面增强拉曼散射(SERS)基底,用于食品染料靛蓝胭脂红(IC)的痕量检测。通过共沉淀法合成硒纳米线,并通过光还原法用金纳米颗粒对其进行功能化修饰。由于Au-Se纳米线内部存在协同的电磁增强和化学增强作用,所得基底表现出较强的SERS活性。实现了对靛蓝胭脂红的检测,最低检测浓度可达10⁻⁹ M,增强因子为10⁸。该基底具有优异的均匀性、重现性和稳定性,有效期长达30天。在薯片和葡萄汁等实际食品样品中验证了其实际适用性,检测限可达10⁻⁸ M。此外,将机器学习算法与SERS光谱相结合,能够准确对饼干、口香糖、奶酪和面包等多种食品中的靛蓝胭脂红进行分类。这种方法为食品工业中合成染料的实时监测提供了一种可靠、灵敏且快速的工具。