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
-
基于改进FCN和双向LSTM的谷物蛋白功能预测
查看原文2025
Food Chemistry
中科院一区JCR一区Jing Liu, Kun Li, Xinghua Tang, Yu Zhang & Xiao Guan
食品标签
其他谷物与块根 豆类与坚果(及籽类) 蛋白质组学 蛋白质与氨基酸计算机标签
卷积神经网络 目标检测网络 分类/鉴别/等级评定 组学数据随着高通量测序技术的发展,基于智能模型从氨基酸序列预测谷物蛋白功能已成为生物信息学中的重要任务之一。大豆、玉米、印度茄和日本玉米作为谷物数据集从UniProtKB中选取。本文针对忽略氨基酸序列顺序及氨基酸间长期依赖性的问题,提出了PBiLSTM-FCN模型用于预测谷物蛋白功能。氨基酸序列被纳入全卷积网络(FCN)中,氨基酸之间的长期依赖性则由双向长短期记忆网络(BiLSTM)解决。实验结果表明,PBiLSTM-FCN模型优于现有模型,能够通过解决捕捉长程依赖性和氨基酸序列顺序的问题,实现更准确的预测。最后,可解释性分析是基于实际蛋白质函数与预测蛋白质功能的对比,证明了PBiLSTM-FCN模型在预测谷物蛋白功能方面的有效性。
-
从金针菇中发现新型鲜味增强肽:结合虚拟筛选、机器学习、分子动力学模拟和感官评价
查看原文2025
Food Chemistry
中科院一区JCR一区Ying Liu, Shibo Xu, Yang Li, Cong Shen & Kunlun Liu
食品标签
食用菌菇 感官科学与消费者研究 动力学建模 蛋白质与氨基酸计算机标签
智能手机/其他 分类/鉴别/等级评定本研究采用集成机器学习和生物信息学方法,从金针菇中识别出增鲜肽,阐明其增鲜机制,并通过感官评价验证其功效。APDNRF、FSGLDPR和ADELF这三种肽表现出协同或累加效应,能显著将谷氨酸钠(MSG)的鲜味强度提高50.87%至77.37%,并将鲜味感知持续时间延长60%至100%。此外,分子对接分析显示,这些肽增强了谷氨酸钠与T1R1/T1R3受体复合物之间的结合亲和力和相互作用力,从而增强鲜味感知。进一步的分子动力学模拟表明,这些肽主要通过氢键和疏水相互作用稳定谷氨酸钠与T1R1/T1R3的结合。总体而言,本研究为快速、高效识别新型鲜味肽提供了新见解,拓宽了源自食用菌的鲜味肽的范围,并阐明了增鲜肽增强鲜味感知的机制。研究结果为开发蘑菇基调味料产品提供了理论基础。
-
Cuprospinel装饰生物聚合物功能化CNF电催化平台,集成网格搜索优化神经网络,用于检测饮料中的重要氨基酸
查看原文2025
Food Chemistry
中科院一区JCR一区Neeshu Sebastian, Wan-Chin Yu, Deepak Balram, Salman S. Alharthi & Habeb M. Al-Saidi
食品标签
果蔬汁/浓缩汁 品质、结构与理化性质 蛋白质与氨基酸计算机标签
梯度提升决策树 卷积神经网络 定量预测/回归分析 时序传感器/物联网数据本文提出一种基于新型纳米复合材料结合网格搜索优化神经网络(GSNN)构建的电催化传感平台,用于色氨酸的智能检测。在一次性电极上制备的铜尖晶石修饰壳聚糖功能化碳纳米纤维(CuFe₂O₄/Chit-CNFs)表现出优异的电催化性能,检出限低至2纳摩尔每升(2 nM),线性检测范围宽达0.05~152.55微摩尔每升(μM),灵敏度可达79.18微安每微摩尔每平方厘米(μA·μM⁻¹·cm⁻²)。研究采用循环伏安法与差分脉冲伏安法开展测试,色氨酸的传感机制为电催化氧化过程;CuFe₂O₄与壳聚糖功能化碳纳米纤维凭借高比表面积与优异导电性产生协同效应,有效增强电化学响应。基于网格搜索优化神经网络的智能检测模型均方根误差(RMSE)为2.76,平均绝对误差(MAE)为1.12。此外,选取苹果汁、番茄汁、菠萝汁及牛奶实际样品对传感器进行实用性验证,加标回收率为96.93%~101.06%,相对标准偏差最大值为2.63%。该构建的传感器具备优异的选择性、重复性、重现性与稳定性。
-
食品科学中的深度学习:预测和模拟食物源蛋白质-肽的创新方法
查看原文2025
Trends in Food Science & Technology
中科院一区JCR一区Shilong Cheng, Yao Chen, Yi Cao, Xuyao Huang, Bin Liu, Minghui Liu, Shuai Jiang & Ling Jiang
食品标签
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 深度学习 分类/鉴别/等级评定 定量预测/回归分析 设计/生成与推荐 模拟与数字孪生 公开数据集背景:食物源肽具有多样的生物活性,蛋白质-肽相互作用的预测和模拟在识别食物中的功能性肽方面发挥着重要作用。然而,用于预测和模拟蛋白质-肽相互作用的传统方法往往效率低下且成本高昂,无法满足现代高通量筛选和合理设计的需求。深度学习技术能够从大规模的序列和结构数据中学习复杂的相互作用模式,从而促进食品领域功能性肽的发现与应用。
范围与方法:本综述系统总结了深度学习在食物源蛋白质-肽相互作用预测和模拟应用方面的最新进展。重点关注食物源肽的生物功能、蛋白质和肽数据库的开发与利用,以及深度学习算法在蛋白质-肽结构与功能预测、分子对接和分子动力学模拟中的应用。此外,还探讨了该领域当前面临的挑战和未来的发展前景。
主要发现与结论:深度学习技术显著提高了预测和模拟食物源蛋白质-肽相互作用的效率和准确性,有助于精准识别活性位点和构效关系。通过将先进算法与综合数据库相结合,研究人员能够高效筛选和设计功能性肽,从而加速功能性食品的创新与发展。本综述为深入理解蛋白质-肽相互作用机制提供了宝贵见解,并为推进食物源蛋白质和肽的功能研究及应用开发提供了重要参考。 -
食品科学与营养研究中机器学习与组学方法整合的最新进展
查看原文2025
Journal of Agricultural and Food Chemistry
中科院一区JCR一区Xiang Xiao, Lin Fu, Zhihong Zhang, Zhengyang Tu, Ning Shen, & Songtao Fan
食品标签
复合/即食/餐饮食品 食品安全与风险评估 品质、结构与理化性质 基因组学 转录组学 蛋白质与氨基酸计算机标签
深度学习 模型可解释性 定量预测/回归分析 组学数据组学技术正在革新食品与营养研究,可实现食品成分和微生物的高通量分析,并揭示食品与人体健康之间的复杂关系。机器学习方法特别适用于大数据集中的分类、聚类、降维和模式检测。多组学数据整合推动了机器学习在食品加工、安全和营养预测模型开发中的应用。本文综述了基因组学、转录组学、蛋白质组学、代谢组学和多组学在食品与营养研究中的应用,并讨论经典机器学习、深度学习和人工神经网络等多种机器学习技术。机器学习与组学整合的主要优势在于能够分析复杂数据集,从而支持食品组成解析、质量评价和营养干预。然而,数据质量、模型可靠性和可解释性仍是主要挑战。该综述更新了机器学习-组学整合的当前进展,并概述了食品组学和营养组学的未来方向。