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
-
深度学习辅助荧光光谱在食品质量与安全分析中的应用
查看原文2025
Trends in Food Science & Technology
中科院一区JCR一区食品标签
食品安全与风险评估 光谱/色谱/质谱等分析方法计算机标签
深度学习 卷积神经网络 循环神经网络 分类/鉴别/等级评定 红外/拉曼光谱数据荧光光谱因其快速、准确的测量特性,已被广泛应用于食品和农产品的质量评估。荧光光谱产生的大量荧光数据或图像需要更高效的化学计量学方法来处理和分析。然而,传统的机器学习模型在分析高维荧光数据样本时难以实现高精度预测。深度学习算法在荧光光谱的特征提取和回归建模方面展现出强大的自动学习能力。
范围与方法:本文首先通过食品中荧光物质的表征,阐明了荧光光谱的复杂、抽象和高维特征。其次,本文重点介绍了荧光光谱分析过程中面临的各种挑战,并总结了几种能够解决这些问题的深度学习算法,包括卷积神经网络(CNN)、长短时记忆网络(LSTM)和自编码器(AE)。此外,本文根据不同检测目标(包括食品安全检查、食品质量评估、掺假识别和品种鉴定)综述了基于荧光数据的深度学习模型在食品检测中的应用。本综述还重点关注了该技术在食品质量与安全检测中的未来发展趋势。
主要发现与结论:深度学习与荧光光谱相结合在食品质量检测和食品鉴别分类方面显示出巨大潜力。选择合适的代表性输入参数、预处理方法和优化方法可以有效解决样本不足和模型过拟合的问题。由于人工智能的快速发展,基于深度学习的荧光光谱技术有望朝着高精度、高通量、自动化和低成本的方向发展。 -
利用人工智能增强食品安全与保藏中抗菌生物活性化合物的筛选
查看原文2025
Trends in Food Science and Technology
中科院一区JCR一区食品标签
保藏与贮藏 食品安全与风险评估 微生物安全 植物化学/生物活性成分计算机标签
机器学习/统计学习 分类/鉴别/等级评定 定量预测/回归分析 多模态/融合数据全球食品工业中的微生物污染,由日益增长的食源性疾病和食品腐败驱动,使抗菌生物活性化合物成为焦点。传统的筛选方法耗时、费力且成本高昂。人工智能(AI)和机器学习(ML)算法能够高效筛选高性能候选物,成为发现抗菌剂的变革性工具。
范围与方法:我们评估了筛选抗菌剂的传统方法,并根据生物活性化合物的扩散途径对其进行了分类。本文还探讨了人工智能和机器学习技术在食品领域的整合,重点介绍了算法的进步、数据库的改进以及计算资源的扩展。此外,本综述深入探讨了人工智能预测的抗菌化合物实例,并讨论了它们在食品系统中作为有前景应用的验证和测试过程。
主要发现与结论:传统方法存在局限性,包括需要进行大量测试,而人工智能驱动的筛选技术能够快速高效地识别大量具有潜在生物活性的候选化合物。尽管在数据库的质量、数量、标注和网络可访问性方面面临挑战,基于人工智能和机器学习的技术在筛选用于食品应用的抗菌肽方面具有潜力。该领域的一个未来方向是扩展抗菌生物活性化合物数据库,以涵盖更广泛的来源,并纳入高质量的注释。通过整合多组学数据、优化商业抗菌剂的结构以及开发决策支持系统,最终将实现优化抗菌剂使用的个性化推荐。 -
传统实践与现代技术的融合:推进发酵食品中微生物资源与过程的理解与应用
查看原文2025
Trends in Food Science and Technology
中科院一区JCR一区食品标签
发酵食品及酱腌制品 过程控制与数字化 组学与高通量技术 益生菌/益生元/合生元计算机标签
模拟与数字孪生 组学数据发酵食品深深植根于文化遗产,因其独特的风味和健康益处而在全球饮食中发挥着至关重要的作用。然而,对微生物动态和优化发酵过程的深入了解仍然有限。新兴的组学和数字孪生技术为实时微生物监测和提高生产效率提供了创新途径。因此,传统与现代方法的协同作用通过深化对发酵食品内在机制的理解,促进了新产品的开发并确保了产品的一致性。
范围与方法:本综述探讨了组学技术和数字孪生技术在发酵科学中的变革性作用,重点关注:(1)从传统微生物知识到利用先进组学方法发现和整合新物种的演进;(2)多组学技术在整合发酵食品微生物资源中的作用;以及(3)数字孪生技术的发展及其在微生物时间序列预测和过程控制优化中的应用。
主要发现与结论:通过将传统知识与现代创新相结合,本综述强调了开发定制化、健康导向的发酵产品的潜力,并概述了利用跨学科方法以获得更深入见解和技术应用的未来研究方向。历史实践与尖端技术的融合提供了一条可持续的前进道路,丰富了发酵食品领域的科学探索和实际应用。 -
人类嗅觉受体的结构与功能及关键技术研究进展:系统综述
查看原文2025
Trends in Food Science and Technology
中科院一区JCR一区食品标签
感官科学与消费者研究 数值仿真 动力学建模计算机标签
特征工程与选择策略 设计/生成与推荐 多模态/融合数据不断扩展的科学文献证实,嗅觉受体不仅在嗅觉上皮中表达以进行气味感知和传递,还在异位表达,发挥着多种生理功能。尽管已有这些认识,但嗅觉受体结构的奥秘仍然是阐明其功能机制、推进基于嗅觉受体的生物传感器和靶向疗法发展的重大障碍。目前关于嗅觉受体的研究主要依赖于模式生物,严重缺乏针对人类嗅觉受体结构、功能及关键技术的系统综述。
综述范围:本综述全面、系统地探讨了人类嗅觉受体的配体识别、集成化计算机平台、结构特征和生理功能,强调了它们在嗅觉和非嗅觉组织中的广泛作用及其在多学科领域的潜在应用。此外,本文首次总结了嗅觉受体研究中的关键技术,使本综述成为现有文献的有价值补充。
主要结论:目前,已在人类嗅觉上皮和各种非嗅觉组织中鉴定出391个功能性嗅觉受体,并明确表征了402对人类功能性嗅觉受体-气味分子配对。近期借助共识策略和冷冻电镜技术解析的OR51E2、OR51G8、OR52G9、OR1G10、OR2G12和OR4G20的实验结构,代表了嗅觉受体结构研究的重大突破。这些进展为更多嗅觉受体的结构预测、功能分析和去孤儿化、基于嗅觉受体的生物传感器开发以及新治疗靶点的发现提供了重要支持。人类嗅觉受体研究在食品科学和人类健康等领域的应用前景,需要分子生物学、计算生物学和结构生物学的跨学科融合。 -
智能食品组学在食源性疾病危害物与病原体诊断和鉴定中的定义与策略
查看原文2025
Trends in Food Science and Technology
中科院一区JCR一区食品标签
食品安全与风险评估 组学与高通量技术 光谱/色谱/质谱等分析方法计算机标签
机器学习/统计学习 知识抽取与语义理解 多模态/融合数据食源性疾病被定义为因摄入进入人体的各种毒素、有害物质和病原体而引起的疾病,通常伴有感染或中毒症状。对有害物质、毒素和病原体进行系统筛查是预防和控制食品风险、保护消费者免受食源性疾病侵害的前提和基础。人工智能技术的引入促进了食品组学的发展,并为食品中有害物质和病原体的智能筛查、分析以及食源性疾病的诊断提供了新的解决方案。人工智能驱动的食品组学是一种新兴且前景广阔的食品分析策略,可以大大加快食品中有毒有害物质的筛查,特别是对未知或新有毒物质的分析和非靶向筛查。
范围和方法:在本综述中,我们首先从人工智能的角度定义了智能食品组学的概念,提出了智能食品组学的可行工作流程,并从不同角度总结了智能食品组学在食品危害物和病原体筛查研究中的最新进展,并评估了其优缺点。最后,我们讨论了智能食品组学发展的前景和机遇。
主要发现和结论:作为一种可行的范式,智能食品组学在食品中有害物质、毒素和病原体的筛查、分析以及食源性疾病的诊断方面展现出巨大的应用潜力。智能食品组学有助于分析和发现新的未知毒素、创新食品病原体或有害物质的高通量筛查和风险评估,以及对食源性疾病进行诊断和鉴定。未来,智能食品组学与其他方法的深度融合无疑将推动食品安全分析和食源性疾病诊断的发展。本综述为人工智能驱动的食品组学策略提供了有用的参考,以进一步弥合从实验室规模研究到转化性食品工业安全评估和食源性疾病临床诊断的差距。