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
-
通过纳入人工智能、大数据和物联网提升食品系统应对食品安全风险的韧性
查看原文2024
Comprehensive Reviews in Food Science and Food Safety
中科院一区JCR一区Wenjuan Mu, Gijs A. Kleter, Yamine Bouzembrak, Eleonora Dupouy, Lynn J. Frewer, Fadi Naser Radwan Al Natour & Hans J. P. Marvin
食品标签
微生物安全计算机标签
机器学习/统计学习 分类/鉴别/等级评定 定量预测/回归分析 时序传感器/物联网数据 大规模数据集为增强食品系统对食品安全风险的抵御能力,国家当局和国际组织能够识别新出现的食品安全风险并及时发出预警信号,这一点至关重要。本文综述了人工智能(AI)、大数据和物联网在食品安全领域作为预警和新风险识别工具及方法的现有应用和试验性应用。目前,由大量、实时且多样化的数据支持的系统正在快速发展,其目的是对新出现的食品安全风险进行预警和识别。大数据和人工智能适合支持此类系统,这一点可以通过两个案例来说明:气候变化引发的风险,即有害藻华对海产品的影响,以及农作物中真菌生长和霉菌毒素的形成。自动化和机器学习对于未来实时食品安全风险预警系统的发展至关重要。尽管这些发展提高了前瞻性预警和新风险识别工具的可行性和有效性,但它们的实施可能面临挑战,特别是对于低收入和中等收入国家而言,原因是其网络连接和数据可用性较低。有人主张通过提高国家当局的能力和容量,以及加强它们与私营部门和国际组织的合作来克服这些挑战。
-
黄嘌呤氧化酶抑制肽的虚拟筛选:利用机器学习实现抑制机制及活性预测
查看原文2024
Food Chemistry
中科院一区JCR一区Qian Chen, Yuxi Ge, Xiaoyu He, Shanshan Li, Zhengfeng Fang, Cheng Li, & Hong Chen
食品标签
畜肉 营养与生物功能 统计建模与仿真 传统统计分析与回归 其他特殊成分计算机标签
机器学习/统计学习 定量预测/回归分析 文本/知识库/法规数据黄嘌呤氧化酶(XO)抑制肽能够预防由 XO 引起的高尿酸血症。目前,关于不同长度的 XO 抑制肽的定量构效关系研究仍需进一步丰富。在此,通过虚拟筛选从猪内脏蛋白中获得了 XO 抑制肽。通过机器学习建立了预测模型。虚拟筛选保留了四种长度的肽,分别为 3 - 6 个氨基酸。分子对接识别了它们与 XO 的结合位点,并表明残基 W、F 和 G 是关键氨基酸。建立了相应的 XO 抑制肽数据集。使用最优模型对已报道的肽进行了泛化。结果表明,在泛化测试中,三肽、四肽、五肽和六肽的 R2 值分别为 R2 = 0.81、R2 = 0.82、R2 = 0.83 和 R2 = 0.83。总体而言,这项工作可以作为解释 XO 抑制肽活性机制和预测 XO 抑制肽活性的参考。
-
欧洲食品安全局来源归因模型(SAM)的应用,以比较2018–2020年期间意大利与国内生产相关的人类沙门氏菌病的主要来源
查看原文2024
Food Control
中科院一区JCR一区Giulia Cento, Marzia Mancin, Veronica Cibin, Laura Villa, Antonia Ricci, Laura Ciot, Giorgia Fabbri, Angelo Sardella, Carmen Losasso, & Lisa Barco
食品标签
畜肉 禽肉 蛋类及其制品 食品安全与风险评估 标准/法规/数据库分析计算机标签
逻辑回归/贝叶斯 分类/鉴别/等级评定 公开数据集沙门氏菌是欧洲主要食源性病原体之一,存在于多条食品生产产业链中。明确最常见的感染源头,有助于制定针对该病原体的有效防控方案。本研究采用欧洲食品安全局搭建的贝叶斯模型,将2018—2020年意大利本土人感染沙门氏菌病例溯源至四类潜在食用动物传染源,分别为蛋鸡鸡蛋、肉鸡、育肥火鸡与生猪,并结合本国生产情况开展分析。本次研究选取的传染源均为检出该病原体频次最高的品类。研究依据现行法规,采用常规监测体系前期收集的血清分型数据:家禽类样本取自初级养殖环节,生猪样本取自屠宰场胴体样本。模型分析结果显示,结合本国产能来看,在研究周期内生猪是造成人类感染沙门氏菌的首要食用动物传染源,其次为肉鸡、蛋鸡鸡蛋与火鸡。此外,2020年本土饮食摄入带来的沙门氏菌相对感染风险评估结果表明:食用等量猪肉的感染风险是食用鸡蛋的3.5倍;摄入猪肉带来的感染风险几乎为食用鸡肉的两倍。该研究结论值得重点关注:一方面印证了意大利多年来在家禽养殖领域推行的全国性防控措施成效显著;另一方面也提示,相关部门可探索将同类防控方案推广应用至生猪养殖群体。
-
机器学习支持的传感器阵列用于多重食源性病原菌检测与鉴定
查看原文2024
Trends in Food Science and Technology
中科院一区JCR一区Yi Wang, Yihang Feng, Bocc Zhang, Abhinav Upadhyay, Zhenlei Xiao & Yangchao Luo
食品标签
食品安全与风险评估 微生物安全计算机标签
机器学习/统计学习 小样本学习 分类/鉴别/等级评定背景:食源性病原菌对食品安全构成重大挑战。传统的基于培养的方法通常耗时耗力,而较新的技术也存在局限性,例如需要专业知识或昂贵的设备。这推动了传感器阵列的发展,如电子鼻(e-nose)和光学传感器阵列,它们使用多个交叉反应性传感器元件来为各种分析物生成独特的指纹。
范围和方法:本综述重点介绍了传感器阵列设计的最新进展以及常用作其构建模块的材料。我们概述了构建传感器阵列的四个关键原理:检测挥发性有机化合物(VOCs)、基于抗体的传感器、细菌表面生理学和微环境,以及代谢活动。我们还讨论了机器学习(ML)在传感器阵列解释和输出中的应用。此外,我们探讨了多重病原体检测领域的挑战和新兴趋势。
主要发现和结论:细菌细胞包膜微环境和代谢活动在传感器阵列的开发中受到了最多的关注。ML模型不仅在模式识别中起着关键作用,而且在数据预处理等任务中也至关重要,例如纠正电子鼻中的信号漂移和处理异常值。像小数据集这样的挑战可以通过潜在的解决方案来解决,例如少样本学习和留一法交叉验证。传感器阵列在现场病原体鉴定方面显示出巨大的潜力,为食品生产商和加工商提供了宝贵的益处。 -
基于FT-NIR光谱与GC-MS结合化学计量学快速鉴别与量化紫苏叶化学型
查看原文2024
Food Chemistry: X
中科院一区JCR一区Dai-xin Yu, Cheng Qu, Jia-yi Xu, Jia-yu Lu, Di-di Wu & Qi-nan Wu
食品标签
其他果蔬制品/植物类 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
偏最小二乘法 随机森林 特征工程与选择策略 分类/鉴别/等级评定 定量预测/回归分析 红外/拉曼光谱数据 组学数据紫苏叶(PF)是一种著名的药食同源植物,含有不同的化学型,这些化学型会影响其品质。本文提出了一种利用气相色谱-质谱联用(GC-MS)和傅里叶变换近红外光谱(FT-NIR)对紫苏叶化学型进行分类和定量的方法。GC-MS结果显示,紫苏叶含有多种化学型,包括紫苏酮(PK)型、α-细辛醚(PP-as)型和莳萝油脑(PP-dm)型,其中紫苏酮型是主要表型。基于FT-NIR数据,可对不同化学型进行准确分类。随机森林算法在表型分类中的准确率达到90%以上。此外,采用偏最小二乘回归模型成功对紫苏叶中的主要成分紫苏酮和异胡薄荷酮进行了定量分析,预测偏差值分别为3.76和2.59。该方法为紫苏叶及其他食品的质量监管提供了有价值的见解和参考。