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Hyukjin Kwon, Yixiang Xu, Xuan Xu & Yonghui Li
食品标签
蛋白质配料 品质、结构与理化性质 动力学建模 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。
-
基于机器学习的典型中国绿茶味道分类与预测研究
查看原文2025
Food Research International
中科院一区JCR一区Yingbin Zhang, Xuwei Chen, Dingding Chen, Li Zhu, Guoqing Wang & Zhongxiu Chen
食品标签
茶/茶饮料 特征风味 光谱/色谱/质谱等分析方法 代谢组学 蛋白质与氨基酸 多酚与黄酮计算机标签
随机森林 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 多模态/融合数据中国绿茶的味道非常多样化。本研究结合无监督和有监督学习方法,构建了用于分类和预测典型中国绿茶味道的模型。基于定量描述分析(QDA)结果评估了三种聚类方法,并选择分层K均值方法将88种茶汤分为七种不同的味道类型。应用电子舌传感器、近红外光谱和代谢组学,结合关键化学成分分析,构建了多个数据集作为模型数据。比较了四种多元统计方法和六种人工智能算法在三个数据集上的性能。数据集3(包含化学成分、味道活性值(Tav)及其比值)获得了最高的准确度。随机森林(RF)模型在预测中取得了最高的准确度(0.98)和Kappa值(0.97)。结果表明,关键的化学成分、Tav及其相互关系对绿茶味道分类更为重要。本研究能从消费者角度更准确地表征和预测典型中国茶的味道特征。在不同味道类别之间观察到感官属性和化学组成的显著差异,其中MU类型显示出最低的TavTC(儿茶素总Tav)/ TavTAA(氨基酸总Tav)比值,表明其鲜味和甜味特征最强。本研究结果为开发个性化茶产品提供了潜力,从而有助于提升消费者体验。
-
利用近红外光谱结合多元统计技术评估和分类各种豌豆品种
查看原文2025
Food Chemistry
中科院一区JCR一区Jingwen Zhu, Xuanchun Zhu, Bangyu Yan, Feiyue Ren, Bingyu Chen, Zhaowei Han, Xinmiao Yao, Shan He & Hongzhi Liu
食品标签
豆类与坚果(及籽类) 光谱/色谱/质谱等分析方法 蛋白质与氨基酸计算机标签
偏最小二乘法 分类/鉴别/等级评定 红外/拉曼光谱数据快速检测豌豆蛋白中的致敏蛋白及其他营养指标,对食品研发与育种工作至关重要。本研究利用近红外光谱技术,采集不同豌豆品种的光谱数据,并结合化学检测数值开展分析;采用多元统计分析方法对模型进行优化、构建与验证。偏最小二乘回归模型的校正相关系数区间为0.74至0.99,验证相关系数区间为0.20至0.99。该研究为豌豆致敏蛋白等营养指标的检测评估以及品种分类提供了一种精准可行的技术方法。
-
基于深度学习、分子对接和实验验证的高效筛选食品来源抗氧化肽的 Pred5AOP 方法
查看原文2025
Food Chemistry
中科院一区JCR一区Yan Zhang, Yi He, Shihong Li, Wannan Li & Weiwei Han
食品标签
蛋白质配料 抗氧化/抗炎等功能 细胞模型 数值仿真 蛋白质与氨基酸计算机标签
其他深度学习结构 分类/鉴别/等级评定 模拟与数字孪生 超大规模/工业级数据集 合成/仿真数据为主膳食蛋白中提取的抗氧化肽因其高活性和安全性,对人体健康有积极影响。本研究通过对29种膳食蛋白进行计算机水解构建了一个包含76,343肽的数据库。一种基于MLP算法的新型抗氧化肽筛选方法Pred5AOP鉴定出六种代表性肽:DHD、DDHR、TPNT、HYHE、NDHY和NGDA。实验验证证实了它们显著的抗氧化活性,包括自由基清除和细胞保护,HYHE、DDHR和NDHY表现出卓越效果。分子对接和量子化学分析显示这些肽与Keap1蛋白之间具有强烈的结合亲和力,而分子动力学模拟则强调了它们的结合机制和结构稳定性。本研究提供了一种新的策略,用于识别食品蛋白中的抗氧化肽,支持其在功能性食品中的潜在应用及治疗应用。
-
利用近红外光谱和化学计量对鞑靼和普通荞麦中蛋白质及总类黄酮含量的定量预测
查看原文2025
Food Chemistry
中科院一区JCR一区Yue Yu, Yinghui Chai, Zhoutao Li, Zhanming Li, Zhongyang Ren , Hao Ding& Lin Chen
食品标签
杂粮 品质、结构与理化性质 光谱/色谱/质谱等分析方法 蛋白质与氨基酸 多酚与黄酮计算机标签
偏最小二乘法 支持向量机 智能手机/其他 定量预测/回归分析 红外/拉曼光谱数据本研究结合近红外光谱技术(NIRS)与偏最小二乘回归(PLSR)、支持向量回归(SVR)、反向传播神经网络(BPNN)等多种机器学习算法,建立了一种快速测定苦荞中总黄酮和蛋白质含量的检测方法。RAW-SPA-CV-SVR模型对苦荞和普通荞麦均表现出优异的预测精度,其黄酮含量预测决定系数较高(R2p=0.9811),预测均方根误差为0.1071,预测效果优于PLSR模型与BPNN模型。此外,MMN-SPA-PSO-SVR模型在蛋白质含量预测中表现突出,预测决定系数R2p=0.9247、预测均方根误差RMSEP=0.3906,同时也验证了MMN预处理技术在保留原始数据分布特征方面的良好效果。研究结果表明,该方法可高效应用于荞麦掺伪检测分析,也可为食品掺伪定量检测及食品品质管控新型方法的研发提供新思路。