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 712 条结果
-
人工智能重塑非淀粉多糖研究:从提取优化到功能设计的智能整合综合综述
查看原文2026
Comprehensive Reviews in Food Science and Food Safety
中科院一区JCR一区Jixiang Zhang, Zhiyuan Xu, Cheng Zhong, Huanhuan Liu, Qiaomei Zhu, Zhenou Sun, Qingbin Guo, & Steve W. Cui
食品标签
加工与新加工技术 营养与生物功能 碳水化合物与糖类计算机标签
机器学习/统计学习 模型可解释性 定量预测/回归分析 组学数据在过去的几十年里,从天然资源中提取的多糖研究取得了显著进展,这些多糖常用于功能性食品、药物、化妆品和生物医用材料。然而,传统研究高度依赖试错筛选,这受到结构-功能关系难以阐明、制备效率低以及应用适应性差等挑战的限制。人工智能(AI)的整合为克服这些限制提供了关键途径。本文综述了AI在多糖研究中的最新应用,讨论了当前的挑战,并指出了未来的趋势。在多糖提取方面,AI采用人工神经网络和遗传算法-反向传播等模型来优化加工条件。其预测精度常常达到0.95以上,显著高于传统响应面方法模型的0.7-0.8。在实际应用中,人工智能整合多组学数据以支持个性化多糖方案设计。例如,图卷积网络可以将结构特征与生物活性(如肿瘤细胞抑制率和免疫细胞活化)关联,从而促进个性化功能性产品的发展。然而,该领域仍面临数据质量不一致、模型可解释性有限以及跨学科协作困难等挑战。解决这些问题是将人工智能从辅助工具推进为多糖研究创新核心驱动力的关键,并可能对精准医疗、功能性食品和先进生物材料产生影响。
-
食品领域机器学习技术的广泛应用:方法与实践的综合综述
查看原文2026
Current Research in Food Science
中科院一区JCR一区Junli Feng, Fuguang Zheng, Yu Zhang, Xixi Zeng, Zhijian Wang, Jingjing Liang, Zejun Wang, Liting Ji, & Qing Shen
食品标签
品质、结构与理化性质 食品安全与风险评估 过程控制与数字化 微生物安全计算机标签
机器学习/统计学习 分类/鉴别/等级评定 定量预测/回归分析 缺陷/异物检测与定位在当代社会,数字革命通过优化流程、促进深层信息发现和增强决策能力,正在从根本上改变人们的生活、工作和思维方式。充分释放这一潜力的关键,在于利用机器学习从大规模数据中提取有价值的信息,进而形成数据驱动的洞见、科学决策和准确预测。凭借对复杂高维数据的强大建模能力,机器学习能够帮助食品工业更准确地预测或识别潜在的质量问题、安全风险及消费趋势变化。本文首先介绍机器学习在数据处理、模型训练和性能评价方面的基本原理,随后全面综述其在食品工业多种场景中的应用,包括生产优化、产地溯源、掺假检测、质量控制、病原体或异物识别、保鲜技术、供应链管理、食品创新和消费趋势分析。文章还对相关研究采用的数据处理方式、特征提取方法和模型算法进行了系统分类与讨论,以帮助读者针对食品工业中可能遇到的实际问题选择适当算法。尽管机器学习在理论基础和实际应用方面已取得显著进展,但数据可获得性、模型稳健性和结果可解释性等问题仍有待解决。应对这些挑战对于充分发挥机器学习在食品工业中的潜在价值至关重要。本文提供的认识有望推动基于机器学习的人工智能技术在智慧食品工业中的进一步应用。
-
人工智能在功能食品创新中的应用:生物活性强化与配方优化 —— 半系统综述
查看原文2026
Food Chemistry: X
中科院一区JCR一区Nadia Alkalbani, Leen Shahin, Hiba Benzeghiba, Reyad S. Obaid, Tareq M. Osaili & Leila Cheikh Ismail
食品标签
复合/即食/餐饮食品 营养与生物功能 感官科学与消费者研究 统计建模与仿真 植物化学/生物活性成分计算机标签
机器学习/统计学习 深度学习 分类/鉴别/等级评定 定量预测/回归分析人工智能(AI)正日益融入功能食品研究领域。本半系统综述分析了2015—2025年间53篇同行评议研究,梳理了当前应用场景与新兴方向,其中包括抗氧化食品开发这一尚待深入探索的领域。综述对化合物发现、代谢组学及消费者建模等方向的AI技术方法进行了最新整合,重点指出了知识空白与方法学融合的机遇。数据驱动型AI(传统机器学习)与深度学习方法已被用于预测抗氧化活性、鉴定生物活性化合物并挖掘代谢组数据中的潜在规律。无监督学习方法助力复杂数据集聚类,而优化算法则支持对食品感官、营养及功能特性的调控。然而,现有多数研究仍局限于计算机模拟结果,缺乏实验或临床验证。消费者建模在很大程度上仍以预测为主,且对伦理与监管维度的整合不足。食品科学家与数据科学家的持续合作,是将计算分析成果转化为实际应用的关键。
-
食源鲜味肽结构-活性关系的进展:分子基础与受体相互作用综述
查看原文2026
Trends in Food Science & Technology
中科院一区JCR一区Jun Gong, Zi-Xuan Wang, Li Huang, Wen-Yu Lu, Yan-Chao Wu, & Hui-Jing Li
食品标签
特征风味 营养与生物功能 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:鲜味肽作为天然的风味增强剂正在崭露头角,并在降低钠摄入和功能性食品开发中越来越具有相关性。最新证据表明,鲜味感知是由特定肽-受体相互作用和受体构象动力学所决定的,而非仅由简单的成分因素决定。然而,目前的知识仍然零散,限制了将鲜味肽从机制研究合理地转化为工业应用的可能性。范围与方法:本综述从结构-相互作用的视角批判性地审视了鲜味肽研究的最新进展。关键方面包括受体识别的分子决定因素、涉及T1R1/T1R3和CaSR的多受体激活,以及捕蝇草结构域的构象调控。在以过程为导向的背景下评估了准备策略,如酶解、水发酵、美拉德反应改性和协同加工。文章讨论了新兴的计算工具及其当前的方法学局限性。主要发现和结论:越来越多的证据表明,鲜味活性取决于多肽诱导并稳定信号活性受体构象的能力,而不仅仅取决于分子量或氨基酸组成。酶切特异性和针对性的结构改性在决定多肽末端、受体结合方向和感官结果方面起着关键作用。尽管取得了显著进展,但在加工稳定性、定量评估和方法学整合方面仍存在挑战。建立一个综合的"过程-结构-受体相互作用-功能"框架,对于推进鲜味肽的合理设计和工业转化将是至关重要的。
-
机器学习辅助的双模免疫层析用于高信噪比检测马兜铃酸I
查看原文2026
Food Chemistry
中科院一区JCR一区Xueying Li, Huiqi Yan, Li Wang, Xin Lü, & Yuting Zhuang
食品标签
化学污染物 过敏原与毒性问题 光谱/色谱/质谱等分析方法 其他特殊成分计算机标签
机器学习/统计学习 分类/鉴别/等级评定 定量预测/回归分析 时序传感器/物联网数据开发用于免疫层析的高信噪比策略仍然具有挑战性,但却非常期望。在这里,我们开发了一种"开-关"双模免疫层析测定(ICA),能够实现现场高灵敏度的比色检测(CICA)和批草酸-I的精确荧光定量(FQICA)。该测定利用多孔配位网络(PCN)作为比色信号、荧光猝灭剂和抗体载体,并配以基于镧系元素铕(金属有机框架,Eu-BTEC)作为荧光供体。得益于其多孔结构和可调吸收波长,PCN表现出良好的抗体结合能力、显著的比色强度以及对Eu-BTEC几乎完全的激发和发射猝灭能力。ICA显示的检测限(LOD)为0.45 ng/mL(CICA)和0.08 ng/mL(FQICA),分别比AuNPs-ICA的LOD提高了12倍和65倍。此外,机器学习的整合实现了精确的污染分类和定量。这项工作不仅建立了一个高效的马兜铃酸-I快速检测策略,还为免疫测定与机器学习在食品监测中的整合开辟了道路。