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 289 条结果
-
利用SHAP值解释机器学习模型:应用于不同部位羊肉营养分类与预测任务
查看原文2025
Food Chemistry: X
中科院一区JCR一区Li Wang, Xuchun Sun, Jing Liang, Zhiyuan Ma, Fei Li, Shengyan Hao, Baocang Liu, Long Guo & Xiuxiu Weng
食品标签
畜肉 其他品质相关性质 常规理化指标测定 光谱/色谱/质谱等分析方法 蛋白质与氨基酸 脂质与脂肪酸计算机标签
偏最小二乘法 支持向量机 模型可解释性 分类/鉴别/等级评定 定量预测/回归分析 红外/拉曼光谱数据 质构/流变/感官数据新鲜肉类产品中营养成分的快速识别和预测是一项重大挑战。本研究旨在利用支持向量机(SVM)和偏最小二乘(PLS)模型对不同部位的新鲜羊肉进行分类并预测其营养成分,重点关注腰大肌、后腿肉和前腿肉在脂肪酸组成上的差异。SVM-SHAP模型对粗脂肪、蛋白质和脂肪酸进行了预测,同时解释了特征贡献。后腿肉中的多不饱和脂肪酸(PUFA)显著高于腰大肌和前腿肉。SVM模型的分类准确率达到92.5%,并成功预测了粗脂肪(EE)、粗蛋白(CP)、单不饱和脂肪酸(MUFA)和多不饱和脂肪酸(PUFA)等关键营养参数,在测试集中的相对分析误差(RPD)值均超过2.7。SHAP值分析表明,与脂质相关的变量以及2300–2500 nm波段的波长是该模型的主要贡献因素。基于可见-近红外(Vis-NIR)的SVM建模技术是一种快速、无损且准确的新鲜羊肉评估工具。
-
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
查看原文2025
Food Chemistry
中科院一区JCR一区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
查看原文2025
Food Chemistry
中科院一区JCR一区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。
-
基于基础模型和迁移学习的肽段转运预测、分子味觉分类与视觉纹理分析
查看原文2025
Innovative Food Science and Emerging Technologies
中科院一区JCR一区Yizhou Ma, Qing Ren, Kasper Hettinga & Vincenzo Fogliano
食品标签
蛋白质配料 品质、结构与理化性质 蛋白质与氨基酸计算机标签
大模型与 LLM 迁移学习/领域自适应 分类/鉴别/等级评定基础模型为食品科学中通过迁移学习建模符号与图像数据提供了强大工具。本研究展示了三个应用案例,说明经过预训练的基础模型如何改进实验食品科学数据中常见的预测任务。首先,利用“Evolutionary Scale Model Cambrian”蛋白质语言模型的嵌入表示,基于氨基酸序列对山羊奶源肽的Caco-2单层细胞转运能力进行分类,所得模型准确率达到0.89,优于传统的肽嵌入方法。其次,应用“MolFormer”化学语言模型预测小分子的味觉(甜、苦、鲜),准确率达到0.99,超越了基于化学信息学的模型。第三,使用视觉Transformer模型(“Contrastive Language-Image Pre-training”)提取的图像嵌入表示预测植物基肉类似物样品的纤维性。该方法改进了先前的自动化图像分析,并成功处理了外观复杂的样品。这些案例表明,基于基础模型的迁移学习能够为食品科学应用构建准确且可扩展的预测模型。迁移学习方法支持蛋白质、化学和图像数据的整合,为食品科学中多样化的实验数据分析提供了一个统一框架,并有望加速新食品设计和预测性食品制造的创新。
-
基于超级计算机模拟和实验光谱学的热研究:鉴定β-乳球蛋白与异味化合物己醛之间的化学相互作用
查看原文2025
Food Research International
中科院一区JCR一区Cameron Ince, Lloyd Condict, John Ashton, Regine Stockmann & Stefan Kasapis
食品标签
乳及乳制品 传统热加工 氧化、褐变等化学变化 特征风味 光谱/色谱/质谱等分析方法 数值仿真 蛋白质与氨基酸计算机标签
机器学习/统计学习 模拟与数字孪生 合成/仿真数据为主为探究风味-蛋白质相互作用的热行为,本研究对从蛋白质数据库获取的β-乳球蛋白单体结构进行了353.15 K(80°C)下20000 ps的模拟热处理。采用盲对接方法将配体己醛分子对接在宿主蛋白上,揭示了一个位于特定赖氨酸残基(LYS60)附近的优先结合位点。除超级计算机模拟外,还对暴露于80°C 60分钟的β-乳球蛋白-己醛混合物进行了MALDI-TOF/MS和紫外-可见光谱的实验室测试。MALDI-TOF/MS结果显示形成了共价加合物,峰位移为-84 Da,通过缩合反应形成了希夫碱。二级结构估算表明α-螺旋和β-转角显著减少,同时β-折叠和无序结构增加。这种结合计算机模拟和实验的方法从分子水平揭示了风味活性醛如何与热处理的乳蛋白相互作用,将加工条件与结构变化及风味化合物的归宿联系起来。由此产生的机理见解具有基础和工业相关性,增进了我们对热处理如何通过乳基系统中蛋白质-配体相互作用影响风味稳定性的理解。