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
-
基于基因组特征和气象趋势预测食源性沙门氏菌病暴发的机器学习
查看原文2023
Current Research in Food Science
中科院一区JCR一区Shraddha Karanth, Jitendra Patel, Adel Shirmohammadi & Abani K. Pradhan
食品标签
微生物安全 基因组学计算机标签
智能手机/其他 定量预测/回归分析 组学数据 质构/流变/感官数据 多模态/融合数据多项研究表明,肠炎沙门氏菌的暴发与气象趋势之间存在相关性,尤其与温度和降水有关。此外,目前基于暴发情况的研究是针对肠炎沙门氏菌这一物种的数据开展的,并未考虑其种内差异和遗传异质性。在本研究中,我们结合机器学习和基于计数的建模方法,分析了差异基因表达和一系列气象因素对沙门氏菌病暴发规模(以病例数为代表)的影响。我们使用弹性网络正则化模型从沙门氏菌泛基因组中识别出重要基因,并开发了多变量泊松回归模型来拟合个体效应和混合效应数据。最佳拟合的弹性网络模型(α = 0.50;λ = 2.18)识别出53个重要的基因特征。最终的多变量泊松回归模型(χ² = 5748.22;伪R² = 0.669;概率>χ² = 0)识别出127个显著的预测项(p < 0.10),包括45个仅由基因构成的预测因子、平均温度、平均降水量、平均降雪量,以及79个基因 - 气象交互项。这些显著基因的功能涵盖细胞信号传导与运输、毒力、代谢和应激反应等方面,其中包括基准模型未视为显著的基因变量。本研究提出了一种综合方法,通过评估多种数据源(如基因组数据和环境数据)来预测暴发规模,这有助于修正人类健康风险的评估结果。
-
采用AuNTs组装的PDMS薄膜耦合化学计量算法的柔性SERS传感器,用于快速检测食品中的氯霉素
查看原文2023
Food Chemistry
中科院一区JCR一区Huanhuan Li, Wenhui Geng, Zihan Zheng, Suleiman A. Haruna & Quanzheng Chen
食品标签
食品安全与风险评估 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 分类/鉴别/等级评定 时序传感器/物联网数据氯霉素(CAP)的滥用已导致耐药菌株产生,对公共卫生构成重大威胁。本研究提出一种通用型柔性表面增强拉曼散射(SERS)传感器,结合金纳米三角片(AuNTs)与聚二甲基硅氧烷(PDMS)薄膜,用于食品样品中氯霉素的快速检测。首先,利用具备独特光学与等离子体特性的金纳米三角片@聚二甲基硅氧烷复合材料采集氯霉素的光谱信息。随后,采用四种化学计量学算法进行建模分析并对比性能。结果表明,随机蛙跳-偏最小二乘法(RF-PLS)表现最优,预测相关系数达0.9802,预测均方根误差低至0.348微克/毫升。此外,该传感器对牛奶样品中氯霉素的检测效果得到验证,检测结果与传统高效液相色谱法(HPLC)无显著差异(P > 0.05)。因此,所构建的柔性表面增强拉曼散射传感器可有效应用于牛奶品质与安全监测。
-
通过激光诱导击穿光谱和拉曼光谱结合机器学习方法快速鉴定鱼类物种
查看原文2023
Food Chemistry
中科院一区JCR一区Lihui Ren, Ye Tian, Xiaoying Yang, Qi Wang, Leshan Wang, Xin Geng, Kaiqiang Wang, Zengfeng Du, Ying Li & Hong Lin
食品标签
鱼肉 食品安全与风险评估 光谱/色谱/质谱等分析方法计算机标签
支持向量机 卷积神经网络 分类/鉴别/等级评定 红外/拉曼光谱数据 多模态/融合数据鱼类真伪快速鉴别与掺假检测的市场需求日益增长。本研究首次将激光诱导击穿光谱(LIBS)与拉曼光谱技术相结合,用于鱼类物种识别。选取支持向量机(SVM)和卷积神经网络(CNN)两种机器学习算法,基于13种鱼类的激光诱导击穿光谱与拉曼光谱数据构建分类模型。采用低层融合、中层融合与高层融合三种数据融合策略,对两类光谱数据进行融合处理。研究结果表明:相较于单独使用激光诱导击穿光谱数据或拉曼光谱数据,各类数据融合策略均能显著提升鱼类分类效果;且卷积神经网络模型的性能优于支持向量机模型。其中,低层融合卷积神经网络模型取得了98.2%的最优分类准确率,而引入特征筛选的中层融合方案不仅提升了运算效率,还增强了卷积神经网络模型的可解释性。
-
由铜基乳酶样纳米酶构建的智能手机辅助传感器阵列,用于特异性识别和区分有机磷农药
查看原文2023
Food Chemistry
中科院一区JCR一区Donghui Song, Tian Tian, Xiaoyu Yang, Luwei Wang, Yue Sun, Yongxin Li & Hui Huang
食品标签
水果/蔬菜与菌菇类/植物类 化学污染物计算机标签
智能手机/其他 分类/鉴别/等级评定 可见光/RGB/视频数据 时序传感器/物联网数据农药的精准识别对食品安全监管具有重要意义。然而,对于现有基于胆碱酯酶抑制原理的分析检测方法而言,区分有机磷农药与氨基甲酸酯农药仍存在较大挑战。这主要是因为有机磷农药和氨基甲酸酯农药对胆碱酯酶具有相似的抑制作用。本研究发现,有机磷农药与氨基甲酸酯农药对具有漆酶样活性的纳米酶存在差异化影响,其中纳米酶会受到有机磷农药不同程度的干扰,而受氨基甲酸酯农药干扰极小。基于此,我们构建了纳米酶传感阵列,成功实现了有机磷农药的种类识别及同类农药单体的区分,且可规避氨基甲酸酯农药及其他潜在干扰物(抗生素、离子、其他农药)带来的影响。依托该纳米酶传感阵列,我们搭建了基于智能手机的便携检测方法,并将其应用于果蔬中有机磷农药的检测。本研究可为便携式传感器研发,以及复杂样本中有机磷农药的高选择性识别与区分提供重要参考。
-
基于机器学习和分子对接的鲜味肽筛选快速选择策略
查看原文2023
Food Chemistry
中科院一区JCR一区Chen Li, Ying Hua, Daodong Pan, Lulu Qi, Chaogeng Xiao, Yongzhao Xiong, Wenjing Liu, Yali Dang, Xinchang Gao& Yufen Zhao
食品标签
其他添加剂与配料 蛋白质组学 蛋白质与氨基酸计算机标签
机器学习/统计学习 分类/鉴别/等级评定近年来,鲜味肽因其较高的营养价值和风味活性,已成为鲜味研究领域的热点。但现有的鲜味肽筛选方法流程繁琐、操作复杂,耗时耗力,难以实现高通量筛选。本研究构建了一种新型鲜味肽快速筛选模型,以羊骨水提物为原料,结合多肽组学、机器学习方法与分子对接技术进行逐级筛选。研究最终鉴定出6种全新的羊骨源鲜味肽,验证了该筛选模型的可行性,可应用于鲜味肽的高通量筛选。鲜味肽与T1R3亚基的分子对接结果表明,二者主要通过氢键和静电相互作用结合,关键结合位点为GLU277和SER146。该研究为探究鲜味肽的结合作用机制奠定了理论基础。