01 / 01

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
暂无筛选

标签记录(计算机学者)

暂无筛选

共 2456 条结果

  • 蛋白质组学结合机器学习——绿色阿拉比卡咖啡地理来源认证的创新方法

    2025
    Food Chemistry
    中科院一区
    JCR一区
    查看原文

    Ľubomír Belej, Alžbeta Demianová, Maksym Danchenko, Shubhi Mishra, Peter Baráth, Lukáš Jurčaga, Judita Lidiková, Marek Bobko, Katarína Poláková, Terézia Švecová & Alica Bobková

    食品标签

    咖啡饮料 蛋白质组学 蛋白质与氨基酸

    计算机标签

    主成分分析/判别分析 分类/鉴别/等级评定 组学数据

    绿色特种咖啡的地理认证是一项尚未完全解决的具有经济敏感性的分析任务。我们采用了一种创新的蛋白质组学分析结合线性判别分析的方法,用于认证来自中美洲、南美洲、非洲和亚洲著名产区的绿色特种咖啡豆的地理来源。在1596种已识别的蛋白质中,我们选择了ANOVA排名前30的目标标记物。使用留一法交叉验证的模型预测性能达到了85.3%,在亚洲样本的预测率上准确度最低。此外,还使用5折交叉验证测试了模型性能和预测对随机状态的敏感性。经过20次迭代,模型性能略微下降至84.0%。这项研究有助于推进咖啡产业的可追溯性工具,确保产品真实性,并促进公平贸易实践。特异性和敏感性证实,该模型在区分亚洲和非洲样本方面似乎具有可靠性。

  • 绿原酸对金鲳鱼肌原纤维蛋白的保鲜作用:结合人工神经网络与分子模拟

    2025
    Food Chemistry
    中科院一区
    JCR一区
    查看原文

    Ning Yang, Shitong Wen, Zizhe An, Jun Yang, Longteng Zhang, Qian Li, Chuan Li & Lulu Zhu

    食品标签

    鱼肉 品质、结构与理化性质 统计建模与仿真 蛋白质与氨基酸

    计算机标签

    智能手机/其他 定量预测/回归分析

    绿原酸(CGA)被用于维持冷藏金鲳鱼片的肌原纤维蛋白(MP)品质。2 g/L的绿原酸处理组表现优于对照组,其Ca²⁺-ATP酶活性更高(0.57μmol/h/mg蛋白质),盐溶性蛋白质含量更高(86.76 mg/g),同时羰基(7.85 nmol/mg蛋白质)、双酪氨酸(745.33 A.U.)和二硫键(2.99 mol/10⁶g蛋白质)等氧化标志物含量更低。肌原纤维蛋白抗氧化能力的增强可能与绿原酸引起的肌球蛋白构象、溶剂可及表面积、分子间氢键数量以及分子间相互作用的变化有关。具有16个隐藏层神经元的人工神经网络(ANN)模型在预测肌原纤维蛋白品质变化时,表现出较高的决定系数(R²训练=0.9990)和较低的均方误差(MSE训练=0.0074),且所有相对误差均在3%以内。总体而言,绿原酸处理能显著抑制冷藏过程中肌原纤维蛋白的氧化和变性,且这些效果可通过人工神经网络进行预测。

  • 基于Orbitrap高分辨质谱的代谢组学指纹图谱结合机器学习技术用于姜黄和南非醉茄地理起源、品种与组织特异性鉴别及掺伪检测

    2025
    Food Chemistry
    中科院一区
    JCR一区
    查看原文

    CH. Ratnasekhar, Abhishek Kumar Rai, Poonam Rakwal, Samreen Khan, Anoop Kumar Verma, Pradipto Mukhopadhyay, Priya Rathor, Lal Hinghrani, Nicholas Birse, Ritu Trivedi & Prabodh Kumar Trivedi

    食品标签

    其他添加剂与配料 光谱/色谱/质谱等分析方法 代谢组学 其他植物化学物质

    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 组学数据

    全球对草药和香料在食品和营养保健品行业需求的不断增长,凸显了它们的主要功能优势,包括抗氧化和抗炎特性。确保真实性和可追溯性对于抵御诸如地理原产地(GO)错误标签以及组织或品种特定掺假等可能损害产品质量和安全的挑战至关重要。本研究采用基于LC-Orbitrap-MS的非靶向代谢组学结合机器学习,验证姜黄(Curcuma longa)和印度人参(Withania somnifera)两种广泛使用的食品成分的去向量、品种及组织特异性。采用数据依赖采集模式分析了四个GO特异性姜黄样本、三个组织和品种特异性印度人参样本以及掺假市场样本。机器学习算法识别了关键生物标志物并构建了稳健的分类模型,即使在掺假样本中,也实现了98%的特异性和准确率,以验证去向物种和组织特异性。这些结果展示了将先进代谢组学与机器学习整合为全球市场质量保证和食品安全的重要价值。

  • 基于 DeepSAT 技术从 Paraconiothyrium sp. H–B 中发现抗肝缺血再灌注损伤的佛手柑烷类化合物

    2025
    Journal of Agricultural and Food Chemistry
    中科院一区
    JCR一区
    查看原文

    Xinye Huang, Xiangli Zhao, Xiaosheng Tan, Yeting Zhang, Zhengyi Shi, Gang Chen, Changxing Qi & Yonghui Zhang

    食品标签

    其他生物活性与健康效应 微生物与发酵实验 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

    其他深度学习结构 分类/鉴别/等级评定 红外/拉曼光谱数据

    肝缺血-再灌注损伤(HIRI)是肝脏手术中常见且不可避免的并发症,会导致严重的肝功能损害,并可能引发多器官功能障碍综合征。本研究从金丝桃属植物中分离出的Paraconiothyrium sp. H–B的水稻培养物中,在深度光谱分析工具DeepSAT系统(一种基于神经网络的HSQC谱图分析工具)的指导下,分离得到11个新型香柑烯型倍半萜类化合物(paramotanes A-K (1–11))以及3个已知同系物。通过光谱分析、单晶X射线衍射和电子圆二色谱计算确认了这些化合物的结构和构型。值得注意的是,化合物1是首个报道的10-去甲香柑烯倍半萜。药效学实验表明,化合物12展现出肝保护作用,并能改善HIRI小鼠的肝功能,使其成为开发新型肝保护剂用于HIRI临床治疗的潜在先导化合物。

  • 字节与体验:消费者对可溯源食品借助人工智能缓解食源性风险效能的认知研究

    2025
    Current Research in Food Science
    中科院一区
    JCR一区
    查看原文

    ChengXian Yang, Lauri Baker, Tracy Irani, Ricky Telg, James Bunch & Jonathan Watson

    食品标签

    食品安全与风险评估 消费者偏好与接受度 问卷设计与实施

    计算机标签

    机器学习/统计学习 深度学习

    本研究调查了消费者对在食品溯源系统中采用人工智能(AI)的态度和意愿,这是一项旨在提高食品安全和透明度的新兴技术。该研究通过对1013名美国消费者进行在线调查收集数据,并应用结构方程模型(SEM)来考察影响消费者接受度的因素。结果表明,态度和感知行为控制与接受人工智能辅助食品溯源的决策呈正相关,对科学的信任、食品安全担忧、对食品技术的恐惧以及风险信息寻求行为也是重要因素。该模型解释了80.2%的意愿方差和18.0%的态度方差。感知行为控制对意愿的影响强于态度,这表明那些认为自己能控制食物选择的消费者更有可能支持人工智能增强型溯源。此外,对科学机构的信任成为接受度的关键预测因素,强调了透明且有科学依据的沟通策略的重要性。该研究还强调,对食源性疾病的担忧以及积极的风险信息寻求行为与对人工智能辅助溯源的态度呈正相关。相比之下,食品技术恐惧症与接受度呈负相关,这表明需要有针对性的教育活动来减少怀疑态度。这些发现为政策制定者、食品行业利益相关者和科学传播者设计有效策略以增强消费者对人工智能驱动的食品安全举措的信心提供了宝贵见解。通过解决消费者的担忧并培养信任,人工智能辅助溯源可以更成功地融入食品系统,最终降低食源性疾病风险并改善公众健康。

学术日历
学术日历

特刊征稿

特刊名称

截稿时间

收录范围

会议链接

IF=18.1!征稿丨Nature Communications:AI-Driven Smart Agriculture for Sustainable Food Systems

2027.03.18

农业生产与AI

了解更多

IF=13.8!征稿 | Food Hydrocolloids: 20th Food Colloids Conference: past, present and future of food colloids

2026.09.30

食品胶体与AI

了解更多

IF=10.6!征稿丨Journal of Future Foods:Intelligent Detection and Data-Driven Food Safety

2027.01.31

食品安全与AI

了解更多

IF=9.6!征稿 | npj science of food: Flavor Chemistry

2026.12.03

风味化学与AI

了解更多

IF=7.7!征稿丨Current Research in Food Science:Intelligent Matrices: Machine Learning and AI in Molecular Food Science

2027.02.01

应用分子食品科学与AI

了解更多

IF=7.3!征稿 | Food Science and Human Wellness: Special Issue on Identification of New Targets for Food-derived Compounds

2026.12.01

分子靶点与AI

了解更多

IF=7.0!征稿 | Food Control: Food authentication and traceability in high-risk products: analytical approaches for regulatory control

2027.05.30

食品快速检测与AI

了解更多

IF=6.0!征稿丨foods:Flavor Formation Mechanisms,Targeted Regulation Strategiesand Al-Enabled Research inAnimal-Derived Foods

2027.01.10

动物源性食品风味与AI

了解更多

IF=5.9!征稿 | Food Quality and Preference: Sensory is everywhere, beyond food. Expanding the horizon of sensory and consumer science

2026.09.30

感官科学与AI

了解更多

IF=7.3!征稿 | Postharvest Biology and Technology: Ready-to-use, added-value, fresh fruit and vegetables: the new scenario in terms of recent innovations and prospective industry needs

2026.09.16

果蔬与AI

了解更多

活动详情请关注“食品AI荟”微信公众号