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 2456 条结果
-
机器学习与蛋白质组学的融合推动食品真实性与掺假控制
查看原文2025
Trends in Food Science and Technology
中科院一区JCR一区Hongfei Li, Hanlin Mo, Yu-Chen Song, Guanying Chen, Cai-E Wu & Fu-Yuan Zhu
食品标签
食品安全与风险评估 蛋白质组学计算机标签
机器学习/统计学习 分类/鉴别/等级评定 组学数据背景:全球食品欺诈事件的频率不断上升,对食品安全构成了严重威胁,迫切需要开发有效的应对措施。作为一种尖端技术,机器学习极大推动了传统方法在食品安全领域的发展。作为一种高通量工具,蛋白质组学被广泛应用于食品真实性和掺假检测的综合理解。然而,将机器学习整合到蛋白质组学中既是必不可少的,也充满了挑战。
范围与方法:本综述的主要目标是,从其在食品真实性和掺假控制中的应用中汲取见解,深入探讨实现机器学习无缝整合所需的食品蛋白质组学优化。随后,我们旨在强调最近利用机器学习辅助的蛋白质组学来提高食品安全性的研究。最后,我们评估了在蛋白质组学方法学中整合先进机器学习技术的潜在应用。
主要发现与结论:尽管机器学习辅助的蛋白质组学是一个快速发展的领域,尚未成为食品科学或工业的标准实践,但最近的应用已经证明了其在与机器学习结合时能够提高食品蛋白质组学分析的效率和准确性。此外,机器学习与蛋白质组学方法学的融合有望在模型深度和鲁棒性方面取得进一步进展,凸显了机器学习辅助蛋白质组学在未来保障食品安全方面的巨大潜力。 -
不同焙烤温度对枣酒风味特征的影响:基于HPLC、HS-GC-IMS和HS-SPME-GC-MS的分析
查看原文2025
Food Chemistry: X
中科院一区JCR一区Binbin Li, Qian Mu, Huijing Guo, Wenting Jia, Mengzhen Zhang, Ya Liu & Xinwen Jin
食品标签
酒精饮料 传统热加工 特征风味 光谱/色谱/质谱等分析方法 代谢组学计算机标签
偏最小二乘法 分类/鉴别/等级评定 组学数据本研究采用高效液相色谱(HPLC)、顶空-气相色谱-离子迁移谱(HS-GC-IMS)、顶空-固相微萃取-气相色谱-质谱(HS-SPME-GC-MS)及感官分析方法,评估了不同烘烤温度(80–160°C)下红枣预处理对红枣酒中游离氨基酸和挥发性有机化合物动态变化的影响。结果表明,80–100°C烘烤可促进红枣酒中甜味氨基酸的积累,而140–160°C烘烤则会增加苦味氨基酸的含量。随着烘烤温度的升高,红枣酒中酯类、醇类、酸类、醛类和酮类物质的含量先上升后下降,而呋喃类化合物的含量则持续增加。通过正交偏最小二乘判别分析(OPLS-DA)、相对气味活性值(ROAV)计算和变量投影重要性(VIP)等多元统计分析,鉴定出6种关键特征风味化合物,包括乙酸异戊酯、己酸乙酯和辛酸乙酯。本研究得出的新见解可为红枣酒风味的改良提供指导。
-
利用人工智能推进食品安全行为:食品制造业的创新与机遇
查看原文2025
Trends in Food Science & Technology
中科院一区JCR一区Ke Wang, Miranda Mirosa, Yakun Hou & Phil Bremer
食品标签
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 过程优化与控制策略计算机标签
大模型与 LLM 大语言模型 分类/鉴别/等级评定 过程控制与实时优化 知识抽取与语义理解 文本/知识库/法规数据人类行为对于确保法规遵从和食品安全的重要性,正日益受到学术界、监管机构及食品行业各领域从业者的广泛认可。本文探讨了人工智能(AI)在推进食品安全行为方面的变革潜力,这得益于其不断增强的、可提升关键食品安全特性的能力,即:监测、评估与行动。AI辅助监测系统(第2.1节)能够实现对洗手卫生和个人防护装备合规性等食品安全行为进行准确且不引人注目的观察。AI辅助评估工具(第2.2节)可以利用先进的数据分析和大型语言模型,全面评估食品安全文化指标,从而提供可操作的见解和前瞻性决策支持。此外,AI干预措施(第2.3节),如实时反馈、个性化培训和沟通辅助,将促进行为改进和有效沟通。这些阶段共同构成了一个持续的AI辅助改进循环,其中行为得到评估,公司的食品安全文化得到衡量,基于客观评估的行动得以实施,并对其有效性进行测量。这种自适应方法将确保建立一个动态且反应迅速的系统,能够推动食品安全行为的持续提升。在期待AI技术变革力量的同时,食品制造商也必须准备好应对与技术局限、伦理关切和采用意愿不足相关的潜在挑战。本文重点介绍了创新的AI应用,识别了跨行业采用的机会,提出了改善食品安全行为的挑战和未来方向。
-
人工神经网络与支持向量机在结合光谱和时域核磁共振检测苹果汁浓缩液掺假中的性能比较
查看原文2025
Food Research International
中科院一区JCR一区Cagri Cavdaroglu, Nur Altug, Arda Serpen, Mecit Halil Oztop & Banu Ozen
食品标签
果蔬汁/浓缩汁 食品安全与风险评估 过程监测与在线检测 光谱/色谱/质谱等分析方法计算机标签
支持向量机 其他深度学习结构 分类/鉴别/等级评定 红外/拉曼光谱数据苹果汁浓缩液中掺假的检测对于确保产品真实性和消费者安全至关重要。本研究评估了人工神经网络(ANN)和支持向量机(SVM)在分析光谱数据以检测苹果汁浓缩液掺假方面的有效性。使用四种技术——紫外-可见光谱、荧光光谱、近红外(NIR)光谱和时域1H核磁共振弛豫测量法(1H NMR)——从真实和掺假的苹果汁样品中生成数据。掺假物包括葡萄糖浆、果糖浆、葡萄浓缩液和枣浓缩液。光谱数据经过预处理,并使用ANN和SVM模型进行分析,评估了校准集和验证集的灵敏度、特异性和正确分类率(CCR)等性能指标。结果表明,近红外光谱结合支持向量机提供了最高的整体准确度,具有近乎完美的特异性和高正确分类率值,使其成为检测掺假最稳健的方法。紫外-可见光谱和荧光光谱也表现出良好的性能,但在不同掺假物之间的一致性稍差。1H核磁共振弛豫测量法虽然提供了详细的分子信息,但其灵敏度随掺假物类型的不同而变化。研究结果显示了选择合适的分析技术和机器学习模型对于食品真实性鉴别的重要性。本研究有助于开发非破坏性、快速且准确的食品掺假检测方法,可支持行业提升产品完整性和维护消费者信任的努力。
-
基于机器学习的iCASE策略定制工业酶以实现热稳定性和活性进化
查看原文2025
Nature Communications
中科院一区JCR一区Nan Zheng, Yongchao Cai, Zehua Zhang, Huimin Zhou, Yu Deng, Shuang Du, Mai Tu, Wei Fang & Xiaole Xia
食品标签
食品添加剂与配料 蛋白质配料 过程控制与数字化 过程优化与控制策略 数值仿真计算机标签
机器学习/统计学习 定量预测/回归分析由于稳定性和活性之间存在权衡关系,因此在酶进化过程中,获得具有高活性和稳定性的酶一直是一个难以实现的目标。在此,我们开发了一种等温压缩系数辅助的动态挤压指数扰动工程(iCASE)策略,用于构建具有不同复杂度的酶的分层模块网络。分子机制分析表明,适应性进化的峰值是通过变异体之间的结构响应机制实现的。此外,利用基于结构的监督式机器学习建立的这种动态响应预测模型可用于预测酶的功能和适应性,能够在不同数据集上表现出稳健的性能,并对共因效应进行可靠预测。通过四种具有不同结构和催化类型的酶验证了 iCASE 策略的通用性。这种基于机器学习的 iCASE 策略为酶的适应性进化研究提供了指导。