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
-
基于机器学习结合体外实验验证,定量预测食物过敏原表位
查看原文2023
Food Chemistry
中科院一区JCR一区Xin-Xin Yu, Meng-Qi Liu, Xiao-Yan Li, Ying-Hua Zhang & Bing-Jie Tao
食品标签
过敏原与毒性问题 其他体外模型 蛋白质与氨基酸计算机标签
机器学习/统计学习 定量预测/回归分析过敏原表位是能够特异性结合免疫球蛋白E(IgE)并引发过敏反应的分子片段。为预测蛋白质表位及其与免疫球蛋白E的结合能力,研究选取化学描述符并结合四种算法,构建了定量构效关系(QSAR)模型。该模型对表位与免疫球蛋白E结合能力的预测决定系数R2为0.7494,均方根误差(RMSE)为0.2375。采用酶联免疫吸附试验(ELISA)对模型性能进行验证,结果表明所构建的定量构效关系模型能够高效、精准地预测食物蛋白质表位的致敏反应。模型预测结果与实验结果高度吻合,皮尔逊相关系数达0.8956。定量构效关系模型分析与体外实验结果均证实,116–130位氨基酸序列是β-乳球蛋白(β-LG)一种全新的免疫球蛋白E结合表位。
-
AODB-涵盖小分子、肽和蛋白质在内的抗氧化剂综合数据库
查看原文2023
Food Chemistry
中科院一区JCR一区Weiting Deng, Yihao Chen, Xinning Sun & Ling Wang
食品标签
其他添加剂与配料 标准/法规/数据库分析计算机标签
文本/知识库/法规数据抗氧化剂广泛应用于食品、医药、营养保健品及化妆品领域。鉴于其在促进和维持人体健康方面的重要作用,已有大量抗氧化剂被报道。目前已开发出若干与抗氧化剂相关的数据库,但现有数据库中抗氧化剂及其相关信息的注释并不完整,亟需更高效的检索方法。本研究旨在构建一个经人工整理的综合性抗氧化剂数据库(AODB)。该数据库目前收录了56666个经抗氧化活性检测的小分子、1480种抗氧化肽和998种抗氧化蛋白,包含其结构、名称、抗氧化活性检测记录、可计算的理化性质与ADMET性质及来源等信息。AODB支持文本检索与挖掘、二维及三维化学结构检索,以及基于BLAST的蛋白质序列检索,可帮助用户快速便捷地获取抗氧化剂数据。作为一站式抗氧化剂数据库,AODB可为抗氧化剂的研究与潜在应用提供便利。该数据库对外公开,每年更新,访问地址为https://aodb.idruglab.cn/。
-
利用微型近红外光谱技术对'秋月'梨木栓斑病早期无症状诊断方法
查看原文2023
Food Chemistry: X
中科院一区JCR一区Li Liu, Hanhan Zhang, Lin Wu, Shangfeng Gu, Jing Xu, Bing Jia, Zhenfeng Ye, Wei Heng & Xiu Jin
食品标签
新鲜水果 其他安全问题 过程监测与在线检测 常规理化指标测定 光谱/色谱/质谱等分析方法 矿物质与微量元素计算机标签
支持向量机 超参优化/自动机器学习 缺陷/异物检测与定位 红外/拉曼光谱数据'秋月'梨木栓斑病的早期症状与健康果实难以区分,阻碍了生产中的早期识别。本研究检测了木栓化褐变的'秋月'梨、无症状果实和健康果实的相关矿质元素含量。利用微型近红外光谱仪采集光谱信息,并对近红外光谱数据应用多种预处理方法。使用原始数据进行支持向量机建模,总体识别准确率最高达到84.65%,F1值为84.06%。对于识别无木栓斑病的果实,采用SG方法处理数据并通过Autokeras建模,最佳准确率达到90%。这些发现为'秋月'梨木栓斑病的早期识别和诊断提供了可靠基础,有助于提升梨生产管理。
-
基于比率型碳点/AgInS2量子点传感探针结合N-PLS化学计量学模型动力学测定组胺
查看原文2023
Food Control
中科院一区JCR一区Rafael C. Castro, Ricardo N.M.J. Páscoa, M. Lúcia M.F.S. Saraiva, Sara C. Cunha, João L.M. Santos, & David S.M. Ribeiro
食品标签
水果/蔬菜与菌菇类/植物类 其他肉与水产品 食品安全与风险评估 光谱/色谱/质谱等分析方法 传统统计分析与回归计算机标签
偏最小二乘法 定量预测/回归分析 红外/拉曼光谱数据生物胺类化合物在人体内具有多项重要生理功能,但当其在食品中浓度过高时,会对人体健康造成严重危害。因此,开发快速、简便、经济且可靠的生物胺分析检测技术具有重要意义,该技术可作为食品质量的评价指标,同时规避潜在的健康风险。基于此,本研究以碳点及3 - 巯基丙酸(MPA)包覆的银铟硫(AgInS₂, AIS)量子点作为荧光探针,构建比率型传感检测平台,并结合化学计量学方法,利用二阶数据对食品中的组胺含量开展动力学荧光定量检测。研究采用展开偏最小二乘法(U-PLS)与多维偏最小二乘法(N-PLS)对所得数据进行分析。模型优化结果表明,采用 N-PLS 建模可获得最优检测效果,且仅需5 分钟的动力学光谱采集时长即可保障检测结果的可靠性。为验证方法有效性,本研究选取金枪鱼、番茄及无须鳕等不同复杂基质样品进行加标实验,并设置梯度浓度梯度。方法学性能指标验证结果证实,所建立的检测方法兼具适用性、准确性与高效性:预测决定系数高于 0.9,相对百分比误差低于 10%;方法检出限(LOD)与定量限(LOQ)分别低至 1.26 mg/L 与 3.80 mg/L,远低于欧盟法规规定的水产品组胺最大限值(200 mg/kg)。值得注意的是,上述检测结果均是在样品含未校正干扰组分、且未使用有毒试剂的条件下获得,充分证明了本方法的实用性。综上,与传统检测方法相比,本研究所建立的分析方法不仅检测结果准确,且操作更为简便、检测效率显著提升。
-
基于监督机器学习的电子鼻快速分析肉丝来源以实现食品鉴定
查看原文2023
npj Science of Food
中科院一区JCR一区Linda Ardita Putri, Iman Rahman, Mayumi Puspita, Shidiq Nur Hidayat, Agus Budi Dharmawan, Aditya Rianjanu, Sunu Wibirama, Roto Roto, Kuwat Triyana & Hutomo Suryo Wasisto
食品标签
其他肉与水产品 特征风味 食品安全与风险评估 过程监测与在线检测 光谱/色谱/质谱等分析方法 其他理化与结构表征计算机标签
随机森林 K-近邻 主成分分析/判别分析 特征工程与选择策略 分类/鉴别/等级评定 时序传感器/物联网数据肉丝来源的鉴定对消费者至关重要,因为存在与含猪肉食品相关的过敏疾病风险或宗教观点。在此,我们开发并评估了一种紧凑便携的电子鼻(e-nose),包含气体传感器阵列和监督机器学习,采用窗口时间切片方法来嗅闻和分类不同的肉丝产品。我们评估了四种不同的监督学习方法进行数据分类(即线性判别分析(LDA)、二次判别分析(QDA)、k-近邻(k-NN)和随机森林(RF))。其中,配备五窗口提取特征的LDA模型在区分牛肉、鸡肉和猪肉肉丝时,验证和测试数据的准确率均高于99%。所获得的电子鼻结果与傅里叶变换红外光谱(FTIR)和气相色谱-质谱联用(GC-MS)测量的光谱数据相关并得到确认。我们发现牛肉和鸡肉具有相似的化合物组(即烃类和醇类)。同时,醛类化合物(如十二醛和9-十八烯醛)在猪肉产品中占主导地位。基于性能评估,开发的电子鼻系统在食品真实性测试中显示出有希望的结果,为普遍检测欺诈和食品欺诈尝试铺平了道路。