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 289 条结果
-
利用深度学习检测和识别显微图像中的昆虫源加工动物蛋白
查看原文2026
Current Research in Food Science
中科院一区JCR一区Cyril Kaisin, Pascal Veys, Abigaël Anselmo, & Bernard Gosselin
食品标签
昆虫蛋白 食品安全与风险评估 其他安全问题 显微与成像技术 蛋白质与氨基酸计算机标签
卷积神经网络 目标检测网络 其他深度学习结构 分类/鉴别/等级评定 缺陷/异物检测与定位 可见光/RGB/视频数据在动物饲料中使用昆虫来源的陆生无脊椎动物加工动物蛋白(PAP),给欧盟官方监管带来了新的挑战。目前,这类成分的检测仅依赖光学显微镜,并且完全取决于经过培训的操作人员。近期研究指出,昆虫源 PAP 检测主要存在两个问题:一是将非昆虫结构误判为昆虫来源结构而导致的特异性不足;二是整只昆虫幼虫经研磨后形成的颗粒形态高度多样,难以准确分类。为解决这些问题,本研究开发了一种利用深度学习自动分析和分类显微图像的概念验证系统,并测试了由 YOLO 目标检测模型、改进的 ConvNeXt 架构及 Transformer 模块组成的分类流程。经过监督学习、训练和验证后,该模型能够有效区分昆虫颗粒与其他非昆虫材料,并能鉴别黄粉虫(Tenebrio molitor)和黑水虻(Hermetia illucens)来源的加工动物蛋白颗粒;两项任务的平均 Matthews 相关系数达到 0.89,准确率均超过 95%。模型具有稳健的性能和较快的处理速度,可与数字显微镜结合,实现颗粒的实时自动分类,并为每个颗粒的预测提供置信度。该人工智能模型为显微识别复杂结构的官方监管提供了新的可能,并可作为显微镜检验人员在复杂饲料基质中的图像分析优化和决策支持工具。
-
基于 MALDI-TOF 测定蜂花粉微生物谱的简便分析方法
查看原文2026
Food Control
中科院一区JCR一区Estela Prieto, Ana M. Ares, José Bernal, & Silvia Valverde
食品标签
复合/即食/餐饮食品 微生物安全 品质、结构与理化性质 光谱/色谱/质谱等分析方法 微生物计数与生长曲线 蛋白质与氨基酸计算机标签
机器学习/统计学习 分类/鉴别/等级评定 红外/拉曼光谱数据 文本/知识库/法规数据蜂花粉是蜜蜂采集的天然食品补充剂,具有显著营养价值和治疗潜力,包括抗氧化、抗菌和抗癌等特性。由于其吸湿性强,蜂花粉容易促进微生物生长;然而欧盟尚无针对蜂花粉的专门法规,因此微生物污染是决定其质量的关键因素。为此,本研究使用多种培养基从蜂花粉中分离细菌和真菌菌落,并基于裂解过程进行蛋白提取,随后通过 Biotyper-MALDI-TOF 系统进行鉴定。研究还采用不同工具评价方法的绿色性和蓝色性,结果显示这些方法环境友好且实用。研究利用所提出的样品处理方法分析了 32 个样品,并采用基于线性模型的化学计量技术处理数据。结果发现样品中同时存在有益菌和潜在致病菌,包括地衣芽孢杆菌、藤黄微球菌和烟曲霉等代表性种类。这些发现强调了蜂花粉微生物群表征的重要性,并表明 MALDI-TOF 是分析该基质中可培养微生物群落的快速有效工具。
-
利用高通量肽组学和机器学习对自生和商业乳酸菌发酵乳中的生物活性肽进行整合性分析
查看原文2026
Food Frontiers
中科院一区JCR一区Martina Banić, Ana Butorac, Katarina Butorac, Blaženka Kos, Andreja Leboš Pavunc, Jagoda Šušković, & Jasna Novak
食品标签
液态乳 发酵乳/酸奶 营养与生物功能 光谱/色谱/质谱等分析方法 发酵工艺与动力学 蛋白质与氨基酸计算机标签
机器学习/统计学习 设计/生成与推荐 红外/拉曼光谱数据 组学数据微生物发酵是一种高效的策略,用于生产具有多种健康促进作用的生物活性肽(BPs)。本研究通过分析三种采用本土(AC)、商业(CC)及组合(CAC)起始培养物发酵的高品质乳饮料,利用高通量质谱肽组分析,解决了关于起始培养物如何影响发酵食品肽含量的比较数据缺乏的问题。共鉴定出89种肽,其中34种显示出多样的生物活性。具体而言,在CC饮料中检测到75种肽,在AC饮料中检测到62种肽,而在CAC饮料中仅检测到36种肽,分别包括32、29和27种生物活性肽。通过计算机筛选55种先前未报告生物活性的肽,筛选出42 KIAKYIPIQY51和40 RINKKIEKF48肽作为最有前途的BP候选者,因为它们被六种机器学习模型中的五种预测为具有生物活性。这些发现强调了在优化发酵乳饮品中BP产量时,起始菌种选择的关键作用。
-
来源于食品的自组装肽水凝胶:机制洞察、食品应用与人工智能驱动的未来展望
查看原文2026
Trends in Food Science & Technology
中科院一区JCR一区Jiabao Cao, Guangqi Fan, Baoxin Lu, Zhigang Xiao, & Guang Xin
食品标签
质构与流变性质 营养与生物功能 其他包装相关研究 蛋白质与氨基酸计算机标签
机器学习/统计学习 设计/生成与推荐 质构/流变/感官数据背景:自组装肽基水凝胶(SAPHs)是可编程的食品体系软物质平台。序列编码的非共价相互作用生成水合的三维网络,其机械和传输特性可通过食品级触发因素(pH值、离子强度、温度、剪切力)进行调节。因此,分子设计与质地、生物活性递送和智能包装相联系,同时符合安全性和可持续性目标。范围与方法:通过整合物理化学和系统视角,本综述描述了SAPH的基本构建模块,阐述了其在食品相关环境中的组装,并将网络结构与质地、递送及包装功能联系起来。它还考察了从模型体系到实际体系的转化,强调了用于配方设计、放大生产和性能预测的人工智能辅助设计与过程分析。主要发现和结论:SAPHs 将机械性能(G'、屈服、自愈)与扩散和可控释放相结合,以改善口感、稳定性和感官体验。然而,它们的应用受限于复杂体系中的非线性组装、原材料和纯化成本、批次间差异、有限的安全性评估,以及未完整关联组成、加工、结构、性能和功能的数据集。所提出的路线图侧重于低成本副产品原料、避免有机溶剂和额外交联剂的路线、设计质量策略(quality-by-design)及计算辅助筛选,以缩小序列空间并定义操作窗口。因此,它有助于实现可编程质地、刺激响应型递送和智能可食用包装。
-
水生生物肽在风味和代谢调节中的作用:生物化学与人工智能的汇聚
查看原文2026
Trends in Food Science & Technology
中科院一区JCR一区Haonan Sun, Tao Yu, Yuchen Zhang, Baosong Wang, Yuan Zhang, Weiqiang Qiu, Guoping Zhao, & Yanbo Wang
食品标签
鱼肉 特征风味 血糖、血脂与代谢相关功能 蛋白质与氨基酸计算机标签
深度学习 模型可解释性 设计/生成与推荐 质构/流变/感官数据 合成/仿真数据为主背景:水生生物肽已成为具有双重功能的活性物质,能够将感官感知与代谢调节结合起来。虽然大量富含蛋白质的副产品为这些成分提供了可持续的来源,但水解物的结构复杂性以及传统经验筛选的低效率阻碍了其全部潜力的发挥。范围与方法:本综述系统地考察了生物化学与人工智能(AI)在解码"风味-代谢轴"方面的融合。我们分析了关键结构决定因素--特别是低分子量(<1 kDa)、高疏水性以及特定末端残基--如何同时调控T1R1/T1R3受体的激活以及参与葡萄糖和脂质稳态的下游通路。关键是,我们评估了从生物引导分馏到人工智能驱动预测建模的范式转变。主要发现和结论:深度学习架构已经革新了肽的发现,实现了对感官特征超过 90% 的预测准确率。然而,必须区分一个关键点:目标预测,需要通过实际标签进行验证,而特征评估,则在没有参考标准的情况下推断因果关系。虽然当前的模型在预测方面表现出色,但它们关于可解释性的主张常常来源于可能是虚假的统计相关。因此,计算特征的重要性必须通过剂量反应实验或定点突变实验来验证,以区分真正的因果驱动因素。此外,尽管人工智能加速了实验室的发现,但工业应用在下游处理方面仍面临物理瓶颈,这需要数字化控制解决方案。未来的进展依赖于建立一个将计算机设计与湿实验验证相结合的闭环模式,使人工智能从筛选工具发展为生成引擎,将水产副产品转化为标准化的营养成分。