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
-
传统偏好映射与计算机器学习技术:指导产品开发方法的比较研究
查看原文2024
Food Quality and Preference
中科院一区JCR一区Vanessa Rios de Souza, Richard Popper, Viktor Plamenov, Patti Wojnicz & Juan Martinez
食品标签
感官科学与消费者研究 传统统计分析与回归计算机标签
机器学习/统计学习 偏最小二乘法 定量预测/回归分析偏好映射是一种广为人知的多元统计技术,因其在指导新产品开发和提升现有产品方面展现出的强大效果而被广泛应用。开源软件和计算能力的最新进展带来了新的易于使用的工具,这些工具有可能解决传统方法所存在的局限性。本研究介绍了一种用于构建预测模型的替代算法,该算法采用正则化回归与多元自适应回归样条(MARS)相结合的方法。这些方法对预测变量与目标之间的关系的假设更少,能够轻松捕捉复杂和非线性的关系。此外,该研究还提出了一种稳健且系统的计算最优轮廓和进行模拟的替代方法。本文旨在将这一新的工具集(称为计算机器学习技术)与一种已建立且广受认可的方法——基于偏最小二乘回归的PrefMap 进行比较。将计算机器学习与一种传统方法的实例进行比较的主要目的并非是要确定哪种方法更优,而是为了提高人们对这一新兴模型和技术家族的认识,并加深其在感官和消费者科学领域应用的理解。会将结果并排进行评估,以揭示它们在预测能力、喜好驱动因素以及最佳特征方面的一致性和差异性,并在最后提供了一份实用考虑事项清单,以便更好地理解这里所呈现的两种方法之间的权衡关系。
-
基于神经关系推断主动发现靶向灰葡萄孢几丁质酶的变构抑制剂用于食品保鲜
查看原文2024
Journal of Agricultural and Food Chemistry
中科院一区JCR一区Hongsu Wang, Chenyang Wang, Ziyou Wang, & Xiaodi Niu
食品标签
新鲜蔬菜 保鲜涂膜与保鲜剂 蛋白质与氨基酸计算机标签
深度学习 设计/生成与推荐 合成/仿真数据为主目前,变构抑制剂已成为开发抗耐药灰葡萄孢防腐剂的有效策略,但被动驱动的开发效率难以满足实际需求。本研究利用深度学习神经关系推断框架,主动识别出靶向灰葡萄孢几丁质酶的变构抑制剂 2-乙酰萘酮。2-乙酰萘酮可结合几丁质酶关键结构域,并与变构位点形成强相互作用。在相互作用过程中,2-乙酰萘酮降低了蛋白整体连接性并诱导构象变化。这些发现与几丁质酶活性实验结果一致,其 IC50 为 67.6 μg/mL。此外,2-乙酰萘酮通过抑制几丁质酶表现出优异的抗灰葡萄孢活性。在灰霉病感染模型中,2-乙酰萘酮显著延长了樱桃番茄保鲜时间,显示其可作为果蔬贮藏防腐剂的应用潜力。
-
深度学习方法、脑电图及现代分析技术在味觉肽筛选、评估及机制分析中的最新进展与应用
查看原文2024
Trends in Food Science & Technology
中科院一区JCR一区Lijun Su, Huizhuo Ji, Jianlei Kong, Wenjing Yan, Qingchuan Zhang, Jian Li & Min Zuo
食品标签
食品添加剂与配料 蛋白质配料 感官科学与消费者研究 特征风味 光谱/色谱/质谱等分析方法 蛋白质与氨基酸计算机标签
深度学习 分类/鉴别/等级评定 定量预测/回归分析背景:味觉肽是能够改善食品风味和适口性的寡肽。由于其独特的味道特性和营养价值,味觉肽的开发已成为食品调味研究和商业应用的热点。基于传统实验方法筛选和评估味觉肽效率低下且劳动密集。深度学习与脑电图技术可实现味觉肽的高通量筛选及味觉机制分析,因而受到广泛关注。
范围与方法:本综述总结了味觉肽的结构特征、味觉细胞及其亚型,以及味觉转导的细胞机制。重点聚焦于利用深度学习模型进行味觉肽的高通量筛选。此外,还综述了评估味觉强度及阐明味觉肽味觉机制的方法。
主要发现与结论:深度学习在味觉肽高通量筛选中保持了强大的预测性能。值得注意的是,与单一算法相比,结合多种深度学习算法可以提高预测味觉肽的准确性。此外,脑电图、生物电子舌和芯片味觉器官体的应用是评估味觉强度的有效途径,而荧光光谱、表面等离子体共振和分子对接则适用于阐明味觉肽的呈味机制。本综述可为味觉肽的高通量筛选提供有价值的参考,并促进其在调味品行业中的应用。 -
基于廷德尔效应与化学计量学的白酒快速非侵入式识别
查看原文2024
Food Chemistry: X
中科院一区JCR一区Qifei Zhu, Jun Zou, Chunfeng Guo, Rizeng Tao, Wenyue Li, Yifan Chen, Bobo Yang & Lihua Chen
食品标签
酒精饮料 食品安全与风险评估 特征风味 光谱/色谱/质谱等分析方法计算机标签
主成分分析/判别分析 智能手机/其他 分类/鉴别/等级评定 定量预测/回归分析 可见光/RGB/视频数据白酒的价值受其风味、年份和掺假情况的影响。因此,一种简单快速的鉴别方法对市场而言至关重要。在本研究中,我们提出了一种利用丁达尔效应结合化学计量学分析的白酒快速、非侵入性鉴别技术。我们的实验首先用405纳米波长的激光照射白酒,并记录由丁达尔效应产生的明亮光路。为了进一步分析颜色和亮度信息,我们采用了主成分分析(PCA)、线性判别分析(LDA)、层次聚类分析(HCA)和多层感知器(MLP)。本研究建立了白酒中丁达尔光路的亮度与七种微量风味化合物之间的相关性。研究结果表明,该方法能有效鉴别白酒的风味、窖龄和掺假情况,还能定量检测风味化合物的浓度。此外,我们还开发了一个分析平台,以实现对白酒的快速鉴别。
-
通过机器学习预测和改进复杂啤酒风味
查看原文2024
Nature Communications
中科院一区JCR一区Michiel Schreurs, Supinya Piampongsant, Miguel Roncoroni, Robbe Van der Borgt, Simon A. F. J. Vleugels & Kevin J. Verstrepen
食品标签
酒精饮料 感官科学与消费者研究 问卷/市场与消费者研究 传统统计分析与回归 其他特殊成分 其他植物化学物质计算机标签
机器学习/统计学习 梯度提升决策树 分类/鉴别/等级评定 文本/知识库/法规数据 中等规模数据集对食物风味的感知和评价取决于多种相互作用的化学物质和外部因素,因此其理解和预测极具挑战性。在此,我们对 250 种不同啤酒进行了广泛的化学和感官分析,以训练机器学习模型,从而能够预测风味和消费者的喜爱程度。对于每种啤酒,我们测量了超过 200 种化学特性,通过经过训练的品尝小组进行了定量的描述性感官分析,并将来自超过 18 万份消费者评论的数据进行映射,以训练 10 种不同的机器学习模型。表现最佳的算法——梯度提升算法——生成的模型显著优于基于传统统计学的预测,并能准确地从化学特征中预测复杂的食物特征和消费者的喜爱程度。模型剖析有助于识别特定且意想不到的化合物作为啤酒风味和喜爱程度的驱动因素。添加这些化合物会使得商业酒精和非酒精啤酒的变体具有更高的消费者喜爱度。