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
-
食品宏基因组学与多组学及人工智能的整合:功能洞察、微生物组工程与可持续食品保存的预测性生物加工
查看原文2026
Trends in Food Science & Technology
中科院一区JCR一区Atif Khurshid Wani, Showkeen Muzamil Bashir, Noureddine Elboughdiri, Karim Kriaa, Chemseddine Maatki, Bilel Hadrich, Jaskaran Singh, & Reena Singh
食品标签
保藏与贮藏 肠道健康与微生物相关功能 基因组学 微生物组/宏基因组学计算机标签
机器学习/统计学习 定量预测/回归分析 组学数据背景:宏基因组学的进展已经彻底改变了对食品相关微生物群的理解,揭示了它们在发酵、腐败和保存过程中的分类多样性和功能能力。基因组解析的宏基因组学和多组学整合现在能够实现复杂微生物生态系统的功能重建,发现新的代谢途径、抗菌生物合成基因簇和应激适应性特征。微生物组工程和合成共生体设计正逐渐成为可持续的生物控制策略,可以减少对化学防腐剂的依赖并促进食品系统的生态平衡。范畴和方法:本综述综合了宏基因组探索和多组学整合的最新进展,以描绘食品生态系统中的微生物动态。它考察了元基因组组装基因组(MAGs)、功能注释和混合长读测序如何增强对微生物演替、腐败机制和发酵过程的理解。该综述还强调了合成微生物群落、基于CRISPR的调控以及人工智能驱动的数字孪生作为精准发酵和预测性食品生物加工的变革性工具的兴起。主要发现和结论:元基因组和多组学技术通过将微生物功能与生态系统表现联系起来,正在重新定义食品生物控制。基因组挖掘揭示了大量具有天然防护潜力的细菌素、内溶菌酶和群体感应抑制酶库。整合组学提供了微生物相互作用的系统级视角,使得预测性、适应性和循环型生物加工成为可能。因此,微生物组工程作为一种可行的、生态高效的合成添加剂替代方案应运而生,推动从经验发酵向智能、微生物组定制的食品系统过渡。组学、合成生物学与人工智能的融合标志着智能、可持续和精准引导的食品保存新时代的到来。
-
人工智能驱动的食品生物加工:它与实际应用的整合程度如何?
查看原文2026
Trends in Food Science & Technology
中科院一区JCR一区Qihao Wang, Youming Tan, Wenlu Li, Hong Zeng, & Yanbo Wang
食品标签
加工与新加工技术 可持续性与资源高值化 发酵工艺与动力学 蛋白质与氨基酸计算机标签
机器学习/统计学习 模型可解释性 过程控制与实时优化 多模态/融合数据背景:生物加工增强了现代食品制造,但在全球食品需求日益增长的情况下,其效率、可扩展性和可持续性面临日益严峻的挑战。传统的发酵和酶促工艺仍然高度依赖经验,导致结果波动大且资源利用效率低下。人工智能(AI)和机器学习提供了提高精确度、优化工艺并加速向智能和可持续食品生物制造系统过渡的机会。范围与方法:我们提供了关于AI如何在多个领域革新食品生物加工的综合概述。我们批判性地回顾了食品生物加工的最新进展,包括酶工程、代谢工程以及通过AI驱动的建模和学习算法构建合成微生物群落。此外,我们强调了通过实时监控、一致性评估和预测分析在工艺优化方面的进展。还考察了人工智能在污染检测和食品可追溯系统中的新兴应用。最后,我们讨论了这一快速发展的领域的进展与局限,同时展望了迈向真正智能食品生物加工系统的未来方向。主要发现与结论:人工智能在提升食品生物加工中的工艺可预测性、生产效率和资源利用效率方面显示出巨大的潜力,尤其是在酶设计、工艺优化和实时质量保证方面。然而,工业应用仍受限于数据质量、模型可解释性和安全责任。未来的研究应关注开发生物加工专用的人工智能框架,将领域知识、监管要求和食品安全约束嵌入核心设计原则中,超越单一算法改进,朝着协调的系统级创新发展,以支持生产力、安全性、可持续性和社会信任,以满足未来食品行业不断发展的需求。
-
机器学习驱动的纳米颗粒增强纸基显色阵列传感器用于低水分食品中亚致死损伤沙门氏菌的检测
查看原文2026
Food Research International
中科院一区JCR一区Zhen Jia, Emma Grace Holliday, Elizabeth Catherine Tang, Haley Brynn Russo, Thomas R. Rootes, Yaguang Luo, Hengyong Yu, Dayang Wang & Boce Zhang
食品标签
豆类与坚果(及籽类) 微生物安全 显微与成像技术 其他理化与结构表征计算机标签
机器学习/统计学习 分类/鉴别/等级评定 可见光/RGB/视频数据 质构/流变/感官数据亚致死损伤病原菌的检测对于提升食品安全至关重要,尤其是监管机构建议微生物学方法验证需包含50%–80%的损伤细胞。在低水分食品等食品基质中,损伤细胞在适宜条件下可复苏并增殖,对公众健康构成重大威胁。此外,这类细胞可能保留甚至增强毒力,这凸显了及时且准确检测的必要性。本研究开发了一种基于机器学习驱动、纳米颗粒增强的纸质显色阵列传感器(ML-NP-PCA)方法,用于在含有背景菌群的花生酱(一种高脂低水分食品)中检测并区分损伤型与正常型沙门氏菌。研究评估了金纳米颗粒、二氧化硅纳米颗粒和沸石纳米颗粒对纸质显色阵列性能的增强效果。其中,二氧化硅纳米颗粒-纸质显色阵列在磷酸盐缓冲液中宽浓度范围(约1–6对数菌落形成单位/毫升)内对损伤型与正常型沙门氏菌均具有可靠的识别能力,并被整合用于构建ML-NP-PCA方法。结果表明,该ML-NP-PCA方法在室温48小时储存期间,即便存在背景菌群,仍能准确、连续地检测并区分花生酱中的损伤型与正常型沙门氏菌,准确率超过90%。在约3–4对数菌落形成单位/克的浓度下,损伤型与正常型沙门氏菌最早可在1小时内被检出,准确率达92.0±0.9%。上述研究结果证实,ML-NP-PCA方法有望作为一种无损、无需增菌且快速的工具,用于食品中损伤型沙门氏菌的连续监测。该方法还可支持符合监管要求的微生物检测,并强化食品供应链全过程的食品安全监控。
-
基于植物的超氧化物歧化酶提取的进展:关于来源、提取方法、纯化系统、机器学习优化及未来方向的见解
查看原文2026
Trends in Food Science & Technology
中科院一区JCR一区Fatemeh Koushki, Mohsen Mokhtarian, Xiaomeng Wu, Xiaojun Liao, Ahmad Kalbasi-Ashtari, Jagodage Nanayakkara Nayanajith Kumara, Indrawati Oey, & Hong-Wei Xiao
食品标签
其他果蔬制品/植物类 非热加工技术 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 定量预测/回归分析 红外/拉曼光谱数据背景:植物来源SOD因其在减少氧化应激中的关键作用及在食品、制药和生物医学领域的应用而成为现代研究的重点。对天然抗氧化剂兴趣的增加加速了寻找富含SOD的植物来源及通过先进技术提高其提取效率的研究。范围和方法:本综述重点介绍了用于工业应用的植物来源SOD的提取和纯化的最新进展。涵盖了传统方法、缓冲液辅助提取法及绿色技术,包括超声、酶法、脉冲电场、高压及保留酶活性的混合方法。文中评估了各方法的优点、局限性及实际应用中的挑战。由于SOD的敏感性以及对工艺自动化的需求,强调了机器学习(ML)辅助和智能提取策略。最后,讨论了SOD在开发具有生物活性的食品产品中的未来研究和实际应用。主要发现和结论:综述表明,植物是SOD提取的宝贵来源,强调了准确计量的重要性以及经济可行来源的选择。在新技术的范围内,超声辅助酶法等混合方法由于其成本效益高且工业应用成熟,似乎是最实际的选择。使用色谱方法可以获得高纯度的SOD,其纯度可通过电泳和SOD检测试剂盒轻松测定,并可通过ML辅助技术进行预测。未来的研究应集中于可扩展的、成本高效的方法、可持续的采购、彻底的酶表征以及工艺标准化,以充分释放基于植物的SOD在治疗和工业上的潜力。
-
基于机器学习、分子对接与动力学模拟的可食蝗虫(中华锹蝗)新型鲜味肽的发现与味觉机制研究
查看原文2026
Food Chemistry
中科院一区JCR一区Guangbin Wu, Jucai Xu, Yuyu Zhang, Baoguo Sun, Bifen Chen, Jiang Yan, & Shuguang Wang
食品标签
昆虫蛋白 特征风味 体外模型 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 质构/流变/感官数据本研究旨在揭示蚱蜢中的鲜味肽,并进一步探索其鲜味感知机制及鲜味增强作用。通过机器学习和计算方法,从蚱蜢蛋白水解物中分离、表征并筛选出四种潜在的鲜味肽(GDRFL、NGWGDY、NVTY 和 VVNY)。随后,感官评价和电子舌确认了它们的鲜味,阈值为 0.08 - 0.25 mg/mL,低于谷氨酸钠(0.3 mg/mL)。GDRFL 和 NGWGDY 的强鲜味主要由其鲜味氨基酸组成驱动,而 NVTY 和 VVNY 则主要归因于其C端的苦味/疏水性氨基酸残基(酪氨酸)。分子对接和分子动力学模拟进一步表明,四种肽通过氢键和疏水相互作用与鲜味受体T1R1/T1R3形成稳定复合物,这可能是其鲜味感知的潜在基础。此外,它们在谷氨酸钠(MSG)上均表现出通过加和效应的鲜味增强作用(R = 0.68 - 0.86)。