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 1098 条结果
-
基于机器学习与组学技术的食源性病原体及抗菌素耐药性预测建模:系统综述
查看原文2025
Food Research International
中科院一区JCR一区食品标签
微生物安全 微生物与发酵实验 食品成分/消费数据库分析计算机标签
机器学习/统计学习 支持向量机 随机森林 分类/鉴别/等级评定 定量预测/回归分析 组学数据食品体系的全球化增加了沙门氏菌、单核细胞增生李斯特菌和弯曲菌等食源性病原体的风险,而不断上升的抗菌素耐药性(AMR)加剧了这一风险。传统的病原体鉴定和AMR风险监测方法通常劳动密集且通量低,而单组学方法无法捕捉微生物的复杂性。此外,依赖单一的机器学习模型限制了预测的稳健性,给食品安全和公共卫生带来挑战。本系统综述评估了整合组学技术(基因组学、宏基因组学、转录组学)的基于机器学习的预测模型在食源性病原体和AMR风险监测中的应用。遵循PRISMA指南,从PubMed、Scopus等数据库(2015-2025年)筛选了1245篇文章,最终纳入13项相关研究。这些研究应用了随机森林、极限梯度提升和支持向量机等机器学习算法以提高预测准确性。所选研究显示预测准确率高达99%,AUROC评分超过0.90。主要发现包括沙门氏菌毒力的遗传标记、李斯特菌与水果和乳制品的关联性,以及在禽类中发现的145个可移动抗菌素耐药基因。尽管取得了这些进展,但样本量小、元数据不一致、过拟合和计算可扩展性等局限性阻碍了实际应用。本综述强调了机器学习驱动的组学框架在革新食源性病原体和AMR风险监测方面的潜力,为建立更智能、更具韧性的食品安全系统铺平了道路。然而,方法学上的不一致需要标准化协议、更大的数据集和可解释人工智能来提高全球食品安全监测中的可靠性和适用性。
-
基于机器学习的夏威夷果抗氧化肽筛选:体外实验验证与机制解析
查看原文2025
Food Research International
中科院一区JCR一区食品标签
豆类与坚果(及籽类) 蛋白质配料 营养与生物功能 抗氧化/抗炎等功能 理化与结构表征 数值仿真 蛋白质与氨基酸计算机标签
支持向量机 梯度提升决策树 特征工程与选择策略 分类/鉴别/等级评定 设计/生成与推荐 组学数据氧化应激是慢性疾病发生的重要因素,推动了对有效天然抗氧化剂的需求。抗氧化肽是一种有前景的替代品,然而其传统鉴定方法费时费力且效率低下。本研究提出了一种基于机器学习的框架,以加速从夏威夷果蛋白中发掘抗氧化肽。利用ESM-2生成的序列嵌入结合十种机器学习算法,构建了针对四种抗氧化检测方法(ABTS、DPPH、ORAC、FRAP)的二分类模型,各模型预测准确率均超过92%。表现最佳的模型(如用于ABTS的XGBoost和用于DPPH的SVC)被用于筛选夏威夷果蛋白中的肽段,从而鉴定出SYLDL。体外分析显示,DPPH、FRAP和ORAC的抗氧化活性在酶解8小时后达到峰值,而ABTS活性在10小时达到最大值(68.7%)。合成了SYLDL肽,并在过氧化氢诱导的HepaRG细胞氧化应激模型中进行评估。在75 μg/mL浓度下,SYLDL处理能显著提高细胞活力和总抗氧化能力,同时降低细胞内ROS和MDA水平(p < 0.05)。与对照组相比,SYLDL还显著提高了GSH水平和CAT活性。Western blot分析证实,经SYLDL处理后,抗氧化相关蛋白HO-1、Keap1、NQO1和Nrf2的表达上调(p < 0.05)。此外,前沿分子轨道计算显示其能隙较低,与其强的电子供给能力和抗氧化活性一致。总之,这些发现支持SYLDL作为候选抗氧化肽的潜力,并展示了将基于机器学习的筛选与实验验证相结合在发掘食品源生物活性肽中的实用性。
-
人工智能增强的可持续食品油炸:全面综述
查看原文2025
Food Research International
中科院一区JCR一区食品标签
传统热加工 食品安全与风险评估 过程控制与数字化 过程监测与在线检测 标准/法规/数据库分析 脂质与脂肪酸计算机标签
机器学习/统计学习 深度学习 定量预测/回归分析 过程控制与实时优化 设计/生成与推荐 可见光/RGB/视频数据 时序传感器/物联网数据油炸是一种重要的食品加工方法,油炸食品因其独特的色泽、风味和质构在日常饮食中也扮演着重要角色。然而,由于食品油炸过程在持续高温条件下进行,不可避免地会产生某些有害物质。此外,煎炸油的反复使用进一步加剧了这一情况。同时,油炸食品的高油脂含量也是消费者关注的问题。人工智能与传统分析技术的结合为有效控制上述问题提供了创新解决方案。本文回顾了过去十年来不同研究者的关键研究成果,重点介绍了人工智能在油炸食品的工艺优化、过程控制和品质保障中的应用。特别是机器学习、人工神经网络和计算机视觉系统在监测煎炸油劣变和预测有害物质形成方面发挥了重要作用。在食品油炸领域,人工智能的引入既带来了优势也带来了挑战。人工智能凭借其强大的自学习能力,展现出高效率、高精度、多目标优化和强可持续性等优势。同时,人工智能正处于快速发展阶段,在食品油炸应用中也面临着数据困境、投资压力大、监管困境等挑战,仍有相当大的提升潜力。展望未来,随着人工智能技术的不断进步以及与物联网、区块链等支撑技术的融合,可以实现油炸食品的个性化定制、智能化生产、全链条监管与追溯。在人工智能技术的支持下,食品油炸行业将向智能化和可持续方向发展。
-
利用生物信息学与人工智能揭示Osborne蛋白类别的物理化学差异
查看原文2025
Food Research International
中科院一区JCR一区食品标签
蛋白质配料 大米 品质、结构与理化性质 数值仿真 蛋白质与氨基酸计算机标签
支持向量机 图神经网络 分类/鉴别/等级评定 组学数据 大规模数据集 合成/仿真数据为主Osborne分级法仍是食品科学中用于分类种子储存蛋白(SSPs)的基石,但各类别之间的分子差异仍不清楚。本研究采用一个整合了结构建模、人工智能(AI)驱动的分类以及分子动力学(MD)模拟的计算框架,以阐明这些潜在的物理化学差异。使用来自215个物种的1039个SSPs数据集,提取并比较了基于序列和结构的特征,以识别类别特异性特征,例如清蛋白的低疏水斑块面积。在这些特征上训练了机器学习(ML)分类器(包括二元支持向量机和图卷积网络),验证和测试准确率在96.0%至100.0%之间。使用SHapley加性解释和显著性映射进行的模型解释,分别揭示了清蛋白/醇溶蛋白与球蛋白/谷蛋白之间的关键区别特征。对于清蛋白和醇溶蛋白类别,物理化学特征比较和ML分类器识别了导致其溶解度差异的因素,例如醇溶蛋白中带电残基的低丰度。另一方面,尽管某些特征(例如平均表面电势)能区分球蛋白和谷蛋白,但未发现这些特征与实验溶解度趋势之间存在明确关联。值得注意的是,球蛋白和谷蛋白的显著性分析突出了保守的β-桶基序之外的环和螺旋区域,在这些区域观察到了谷氨酸、甘氨酸、丝氨酸和谷氨酸残基的组成差异。MD模拟探索了代表性SSPs在特定溶剂中的构象变化,对单聚体进行了全原子模拟,并对多聚体进行了粗粒度模拟。对于2S大豆清蛋白和19 kDa玉米醇溶蛋白,在它们适应70%乙醇环境的过程中观察到了不同的氢键模式,并且在多聚体模拟中再现了预期的聚集趋势。结合ML分类中强调的特征,这些结果表明,清蛋白和醇溶蛋白的实验溶解度可以在单体水平上得到解释。然而,对于豌豆豆球蛋白A(球蛋白)和水稻谷蛋白A1,未观察到结构和聚集动力学的明显差异,仅凭单体特性无法解释它们不同的溶解度。这些发现表明,谷蛋白的不溶性很可能由蛋白质间的二硫键网络决定,而非其内在的单体特性,这与先前的实验观察结果一致。
-
基于GC-IMS结合智能感官技术的藜麦芽植物饮料风味代谢特性分析
查看原文2025
Food Research International
中科院一区JCR一区食品标签
果蔬饮料 加工与新加工技术 感官科学与消费者研究 理化与结构表征 微生物与发酵实验 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 偏最小二乘法 分类/鉴别/等级评定 红外/拉曼光谱数据 时序传感器/物联网数据 组学数据发芽和发酵后,藜麦的风味品质显著提升,然而这种改善背后的具体代谢机制尚不清楚。本研究对藜麦乳酸菌发酵(QLF)和藜麦芽乳酸菌发酵(QSLF)过程中0、4、8和12小时样品的异味、口感、挥发性有机化合物(VOCs)及基础理化指标进行了统计分析,以探究藜麦芽乳酸发酵过程中风味代谢物的变化规律。结果表明,发酵8小时后,QLF和QSLF中的pH、总酸、总皂苷和氨基酸水平趋于稳定。发芽显著降低了皂苷含量,而乳酸菌发酵则补充了发芽过程中损失的氨基酸。电子鼻和电子舌测试表明,QSLF具有最佳的嗅感和味感。GC-IMS测试结果共鉴定出44种VOCs,包括20种醛类、6种酯类、11种高级醇类、4种酮类和3种其他化合物。QSLF组(QSLFA)的VOCs含量高于QLF组(QLFA)。通过对QLFA和QSLFA进行正交偏最小二乘判别分析(OPLS-DA)模型分析,鉴定出22种关键VOCs(主要为醛类和高级醇类);其中21种含量增加,从而提升了QSLFA的香气品质。主要的差异代谢途径是苯丙氨酸代谢,它通过影响脂肪酸、氨基酸和碳水化合物代谢来增强QSLFA的风味。这些发现为谷物和假谷物类食品的深度加工提供了依据。