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
-
机器学习驱动的从浮萍科(Lemnaceae)蛋白水解物中发现生物活性肽:鉴定并实验验证20种新型抗高血压、抗糖尿病和/或抗氧化肽
查看原文2025
Food Chemistry
中科院一区JCR一区Aurore Cournoyer, Marie-Ève Bernier, Hairati Aboubacar, Juan de Toro-Martín, Marie-Claude Vohl, Rozenn Ravallec, Benoit Cudennec & Laurent Bazinet
食品标签
其他添加剂与配料 抗氧化/抗炎等功能 其他生物活性与健康效应 蛋白质与氨基酸计算机标签
机器学习/统计学习 偏最小二乘法 分类/鉴别/等级评定 组学数据浮萍是一种可持续且富含蛋白质的水生植物,最近被认为是生物活性肽的有前景来源。然而,在如此复杂的混合物中,鉴定它们仍然有限且具有挑战性。在用胃蛋白酶、壶液蛋白酶、胰蛋白酶和帕潘水解浮萍后,经过离心步骤产生两个组分:上清液(DS)和颗粒(DP),有趣的半最大抑制浓度(IC50)对二肽基肽酶(DPP)-IV和血管紧张素转换酶(ACE)抑制作用,尤其是在胃蛋白酶(IC)中,得到了抑制。50= 0.7 mg/mL 和 0.07 mg/mL)。利用偏最小二乘判别分析(PLS-DA)结合定量结构-活性关系(QSAR)模型,推出了五种新的DPP-IV抑制剂(最活跃的:API、IC50= 126.88 μM),十一种新型ACE抑制剂(最活跃:FAR,IC50= 13.54 μM)以及四种新的抗氧化剂(>200 μM)被鉴定出来。三个测试生物活性均有两个序列活跃,揭示了有前景的多靶肽。这些发现凸显了浮萍衍生肽支持健康和代谢平衡的潜力。
-
基于虚拟筛选、多感官技术与分子模拟方法从猴头菇中解码新型鲜味增强肽及其机制研究
查看原文2025
Food Chemistry: X
中科院一区JCR一区Yu-Hang Jiang, Yang-You Li, Pi-Miao Huang, Wei-Gang Xin, Yu-Xing Zhou, Yue Zheng, Amel Ahmed Ibrahim & Hua-Yi Suo
食品标签
食用菌菇 感官科学与消费者研究 其他理化与结构表征 动力学建模 数值仿真 蛋白质与氨基酸计算机标签
机器学习/统计学习 分类/鉴别/等级评定 文本/知识库/法规数据本研究采用整合的感官引导、超滤分级、机器学习和生物信息学方法,旨在鉴定能增强猴头菇鲜味的肽段,并探究其作用机制。研究运用整合的虚拟筛选方法确定了8种候选鲜味肽,随后通过感官评价和电子舌评估了它们的鲜味增强效果。在这些候选肽中,4种鲜味增强肽(WGDAP、DGFE、GGLDP和NPPGDF)在3mg/mL谷氨酸钠(MSG)溶液中显著增强了咸味感知的强度和持续时间,并表现出协同或叠加效应。分子对接分析显示,这些鲜味增强肽增强了MSG与T1R1/T1R3受体复合物之间的相互作用,提高了结合亲和力。此外,分子动力学模拟证实,这些鲜味增强肽能够稳定并加强MSG与T1R1/T1R3复合物的结合。总体而言,本研究为快速鉴定鲜味增强剂提供了方法,加深了我们对猴头菇鲜味化合物调节味觉机制的理解。
-
机器学习支持单链DNA传感器阵列,用于在牛奶中识别多种食源性致病菌和腐败细菌
查看原文2025
Food Chemistry
中科院一区JCR一区Yi Wang, Yihang Feng, Zhenlei Xiao & Yangchao Luo
食品标签
液态乳 微生物安全 光谱/色谱/质谱等分析方法计算机标签
机器学习/统计学习 其他深度学习结构 分类/鉴别/等级评定 时序传感器/物联网数据通过快速、精准检测食品中的致病菌以保障食品安全,是食品供应链中面临的一大关键难题。本研究提出一种非特异性光学传感器阵列,用于识别污染牛奶样本中的多种致病菌。荧光标记的单链DNA可被二维纳米颗粒高效猝灭,后续又能在外源生物分子作用下实现荧光恢复。恢复后的荧光可为每种细菌生成独特的特征指纹图谱,使该传感器阵列能够在数小时内鉴别八种细菌(包含致病菌与腐败菌)。研究采用四种传统机器学习模型与两种人工神经网络开展分类检测,结果显示,经30分钟孵育后,神经网络的检测准确率可达93.8%;将孵育时间延长至120分钟后,多层感知器的准确率提升至98.4%。该传感器阵列是一种新型、低成本且高准确率的多细菌检测识别技术,可为平板计数法和酶联免疫吸附测定法提供替代方案。
-
使用电子鼻子和光谱技术鉴定芫荽油及掺假物鉴定
查看原文2025
Food Chemistry
中科院一区JCR一区Ingrid A. Moraes, Karine Cristine Kaufmann, Sylvio Barbon Junior, Marina G. Neves, Javier E.L. Villa & Douglas F. Barbin
食品标签
植物油 光谱/色谱/质谱等分析方法 其他理化与结构表征 脂质与脂肪酸计算机标签
机器学习/统计学习 偏最小二乘法 分类/鉴别/等级评定 红外/拉曼光谱数据 时序传感器/物联网数据芫荽油具备优异的抗菌、抗氧化及抗炎特性,是保健领域与食品保鲜中极具价值的产品。由于价值高且理化特性优良,这类油脂常成为掺假造假的目标,造假方式多为掺入廉价油脂或以其他油脂完全替代。本研究旨在采用无损、绿色、快速且可靠的方法,实现芫荽油真伪鉴别及掺假成分区分。研究对比了便携式拉曼光谱仪、近红外光谱仪与电子鼻的检测性能,结合数据驱动软独立建模分类法(DD-SIMCA)和单类偏最小二乘(OC-PLS)模型,对纯正芫荽油与掺假样品进行鉴别分析。数据驱动软独立建模分类法结合近红外光谱的鉴别准确率为87%,结合拉曼光谱可达97%;单类偏最小二乘模型近红外光谱鉴别准确率为69%,拉曼光谱最高可达95%。此外,研究仅利用掺假样品构建多分类模型,将掺假物质分为菜籽油、大豆油和棕榈油三大类。偏最小二乘判别分析(PLS-DA)可有效区分掺假油脂种类,结合拉曼光谱的分类准确率达97%。对比结果显示,拉曼光谱检测性能最优;而自研低成本电子鼻同样具备较高准确率,采用数据驱动软独立建模分类法准确率为94%,偏最小二乘判别分析准确率达96%,具备作为快速高效筛查工具的应用潜力。综上,多元统计分析技术与光谱检测设备联用,既可实现芫荽油真伪核验,又能精准判别掺假油脂种类,展现出良好的协同应用效果。
-
下一代智能安全食品:人工智能驱动的4D食品预打印挑战应对策略
查看原文2025
Trends in Food Science & Technology
中科院一区JCR一区Mohammad Ekrami, Behdad Shokrollahi Yancheshmeh, Negar Roshani-Dehlaghi, Nima Mobahi, Zahra Emam-Djomeh & Mohammadamin Mohammadifar
食品标签
3D 打印与结构构筑 质构与流变性质 质构与流变测试计算机标签
机器学习/统计学习 深度学习 定量预测/回归分析 设计/生成与推荐 质构/流变/感官数据背景:四维(4D)食品打印是增材制造领域的一项新颖发展,能够制造出动态的、对刺激有响应的可食用结构。这些结构可以根据环境触发因素改变形状、质地或功能,为个性化营养和智能食品系统开辟了新途径。然而,在4D打印食品中实现精度和稳定性仍然是一个挑战,尤其是在打印前阶段。
范围与方法:本综述聚焦于4D食品打印中关键的打印前挑战,包括食品墨水配方的复杂性、成分相容性、流变性能和生物活性稳定性。它进一步探讨了人工智能(AI),特别是基于规则的系统、机器学习(ML)和深度学习(DL)如何解决这些问题。文中讨论了人工智能辅助配方建模和预测流变学方面的最新进展,将其作为提高工艺效率和产品性能的工具。
主要发现与结论:人工智能驱动的策略为克服4D食品打印中的配方、相容性和可重复性问题提供了强大的解决方案。机器学习算法可以模拟成分之间的复杂相互作用,而深度学习则提高了对质地、流动行为和刺激响应性的预测准确性。通过将人工智能整合到打印前的工作流程中,食品技术人员可以加快功能性和个性化产品的设计。人工智能引导的材料科学和实时自适应打印系统的未来发展有望在下一代创新且安全的食品中发挥关键作用。