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
-
使用枸杞芽茶丰富鸡汤的营养和风味特征:基于智能算法的风味分析
查看原文2026
Food Chemistry
中科院一区JCR一区Julong Zhou, Junqin Wu, Yulong Luo, Lili Yao, Juanjuan Zhu, Haijun Ma, Ruiming Luo, Songlei Wang, & Shuang Bai
食品标签
禽肉 茶/茶饮料 预制菜/即食菜肴 营养与生物功能 特征风味 抗氧化/抗炎等功能 光谱/色谱/质谱等分析方法 风味组学 蛋白质与氨基酸 多酚与黄酮 其他植物化学物质计算机标签
偏最小二乘法 随机森林 主成分分析/判别分析 分类/鉴别/等级评定 红外/拉曼光谱数据本研究探讨了枸杞芽茶(GBT)作为功能性成分对鸡汤营养质量和风味的影响。结果显示,加入GBT显著提高了鸡汤中的可溶性固形物、水溶性蛋白、氨基酸氮、总酚和总黄酮含量,从而增强了其营养价值和抗氧化活性。此外,加入GBT后,自由氨基酸和5′-核苷酸的含量也有所增加。通过气相色谱-质谱法分析,共检测到48种香气成分。进一步通过正交偏最小二乘判别分析和随机森林模型,识别出桉叶油醇、芳樟醇、1-壬醇、壬醛、苯甲醛和辛醛可能是GBT强化鸡汤中的关键香气物质。本研究系统阐明了GBT在提高鸡汤营养价值和风味方面的潜力,为功能性炖汤的开发提供了理论和证据支持。
-
牛奶蛋白甜味肽的虚拟筛选及分子动力学模拟机制分析
查看原文2026
Journal of Dairy Science
中科院一区JCR一区Sainan Yu, Yuyang Liu, Xueqi Fu, Wenfu Yan, Wenwen Gao, Wannan Li, & Weiwei Han
食品标签
液态乳 特征风味 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 合成/仿真数据为主来源于乳蛋白的生物活性肽因其作为天然甜味化合物的潜力而引起了越来越多的关注。在本研究中,开发了一种综合的计算机模拟策略,用于从乳蛋白中鉴定甜味肽。该方法结合了能够预测甜味和苦味属性的机器学习模型,以提高肽选择的准确性。通过虚拟酶解生成的肽使用三种机器学习模型进行筛选。被预测为甜味且非苦味的候选肽进一步进行虚拟筛选,以评估其与人类甜味受体T1R2/T1R3的结合亲和力。具有良好对接评分的肽随后使用计算预测工具进一步评估其药代动力学特性。基于对停靠和吸收、分布、代谢、排泄及毒性评估的综合结果,选择了5种肽(MDG、MKG、TSG、CDSS和DSTT)进行进一步分析。分子对接相互作用分析显示,氢键和π-π堆积是结合位点的主要相互作用方式。分子动力学模拟证实了5个复合物的结构稳定性,其中MDG、CDSS和DSTT表现出较低的结合波动和最小的受体构象变化,表明结合稳定性更强。电子舌分析验证了5种肽均存在可检测的甜味信号。其中,MDG、CDSS和DSTT表现出特别稳定的相互作用和明显的甜味响应,突显了它们作为天然甜味剂开发候选物的潜力。本研究提出了一个实用的计算框架,用于高效筛选和评估来源于乳蛋白的甜肽。所提出的策略可能有助于发现乳制品来源的甜味剂,并可在减糖或功能性乳制品中应用。
-
食品标签
蛋白质组学 蛋白质与氨基酸计算机标签
其他深度学习结构 定量预测/回归分析 组学数据 小规模数据集金属蛋白对于许多细胞过程至关重要。它们使用金属离子作为辅因子来催化反应、稳定蛋白质结构并介导电子转移。由于蛋白质环境的复杂性和金属离子的广泛结合,识别它们的金属结合位点仍然困难,而现有的计算方法受限于准确性和数据匮乏。在这里,我们介绍了PRIME,一种混合深度学习框架,结合进化和结构信号来准确高效地预测金属结合位点。PRIME利用蛋白质语言模型和预训练结构模型从蛋白质序列和结构中提取信息,同时结合一种探针生成算法,通过扫描候选位点来桥接基于序列和结构的预测。PRIME 在各种金属离子中的表现优于现有方法,从丰富的锌和钙到具有挑战性的钾和钠。消融分析表明,预训练的结构模型提高了准确性。对 AlphaFold2 模型的案例研究进一步展示了 PRIME 在高通量金属蛋白质组学中的潜力。
-
计算机辅助实验研究用于 ACE 抑制肽的定向制备、筛选及相互作用机制解析
查看原文2026
Journal of Agricultural and Food Chemistry
中科院一区JCR一区Xia Yang, Cheng Ge, Lu Lu, Yan Fan, Jiangjiang Zhang, Hongwei Zhang, Rilei Yu, Khurshid Ahmad, & Hu Hou
食品标签
鱼肉 抗氧化/抗炎等功能 加工与新加工技术 光谱/色谱/质谱等分析方法 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 合成/仿真数据为主传统 ACE 抑制肽制备方法存在产率低、活性不足和优化过程复杂等问题。本研究提出 DeepAngio,一种用于解决上述限制并实现靶向释放的新模型。经 10 折交叉验证,DeepAngio 在筛选任务中表现出较高性能,准确率为 98.80%、精确率为 99.63%、特异性为 96.44%;在分类任务中的准确率为 88.24%、精确率为 86.76%、特异性为 95.16%。此外,DeepAngio 促进了具有显著 ACE 抑制活性的金枪鱼肉水解物定向制备方法开发,其 IC50 为 31.27 ± 0.72 μg/mL。研究从水解物中筛选出三种新的高效 ACE 抑制肽:LLRP(IC50 = 3.44 ± 0.19 μM)、LHWPR(IC50 = 17.67 ± 1.53 μM)和 RFLR(IC50 = 42.52 ± 7.50 μM)。这些肽通过混合竞争性机制(LLRP 和 RFLR)或竞争性机制(LHWPR)抑制 ACE 活性,并形成稳定复合物。光谱分析和分子对接揭示了各肽不同的结合模式,为 ACE 抑制肽的定向制备和机制解析提供了计算辅助实验路径。
-
发酵乳中新的鲜味肽的鉴定及其通过分子对接和分子动力学模拟揭示的鲜味机制
查看原文2026
Food Chemistry
中科院一区JCR一区Yuxiang Gu, Kun Chen, Weixi Yang, Congnan Cen, Ying Sun, Xiaoqian Chen, Xing Li, & Yanbo Wang
食品标签
发酵乳/酸奶 特征风味 体外模型 蛋白质组学 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 组学数据 合成/仿真数据为主 质构/流变/感官数据一种整合多模型机器学习、生物信息学筛选、感官评价、分子对接和动力学模拟的精简工作流程被应用于发酵乳中的鲜味肽挖掘。基于双重筛选标准--(i) UMPred-FRL、Umami_YYDS、Umami-MRNN、Mlp4Umami、Umami_TD一致预测为鲜味,(ii) 理想的体外计算特性(无毒性、无致敏性、良好的溶解性、稳定性、潜在生物活性)--从肽组学鉴定的1505条肽中筛选出10条作为鲜味肽候选。感官评价确认其中8条赋予了鲜味。分子对接显示,鲜味肽主要通过其亲水残基(主要是赖氨酸、酪氨酸)与受体亲水残基(TAS1R1中的赖氨酸/精氨酸,TAS1R3中的天冬酰胺)形成氢键,从而与TAS1R1/TAS1R3相互作用。TAS1R1的Arg307/Met375/Lys379残基,以及TAS1R3的Arg327/443/Ala329/Val437/Met452残基是关键相互作用位点。分子动力学模拟显示,具有最高鲜味的三种肽--EVFTKK、SKKTVDME、VMGVSKVKE--与TAS1R1/TAS1R3形成了稳定且紧凑的复合物。这项工作有助于加深对发酵乳鲜味特性的理解。