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
-
利用与化学计量学相关的光谱和色谱技术,根据地理来源对手工米纳斯奶酪进行鉴别
查看原文2025
Food Chemistry
中科院一区JCR一区Késia Larissa Rodrigues Cardoso, Josane Cardim de Jesus, Adélia Ferreira Dargère, Arthur Pompilio da Capela, Thinara de Freitas Oliveira, Gabriel Ramos Carvalho, Leandro Soares Santos, Peter Bitencourt Faria & Sibelli Passini Barbosa Ferrão
食品标签
奶酪 光谱/色谱/质谱等分析方法 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 红外/拉曼光谱数据 组学数据 小规模数据集该研究旨在利用近红外(NIR)、中红外(MIR)光谱和逆相高性能液相色谱(RP-HPLC)结合化学计量,区分巴西米纳斯吉拉斯州不同地区的手工米纳斯奶酪(葡萄牙语:queijo Minas artesanal,简称QMA)。QMA样本直接从塞拉多、塞拉和塞罗地区的生产者处采集,共计56个样本。样品通过近红外、红外(MIR)分析,水溶性肽(WSP)被提取并用RP-HPLC分析。化学计量学被用于建立样本分类模型。结果表明,利用近红外和MIR可以根据奶酪的地理来源区分。通过MIR和RP-HPLC,可以按区域对样品进行更精确的分类。使用WSP实现了QMA的区分,并可用于生成不同地区奶酪的指纹。
-
酸性植物蛋白强化纤维冰沙中摩擦学与涩感感知的关系研究
查看原文2025
Food Hydrocolloids
中科院一区JCR一区Ben Kew, Xinyi Guo, Alice Heath, Kieran Tuohy, Anthony Buckley & Anwesha Sarkar
食品标签
其他果蔬制品/植物类 碳水化合物配料 蛋白质配料 质构与流变性质 感官评价与方法学 常规理化指标测定 质构与流变测试 其他理化与结构表征 蛋白质与氨基酸 碳水化合物与糖类计算机标签
机器学习/统计学习 主成分分析/判别分析 分类/鉴别/等级评定 定量预测/回归分析 质构/流变/感官数据随着对环境可持续性的需求日益增加,人们对于在具有促进健康功效的富含纤维的水果饮料中加入植物蛋白产生了浓厚的兴趣。通常这类基质具有酸性特性,这给加入植物蛋白带来了挑战,还会导致诸如涩味等不良的质地问题,而这些在文献中并未得到充分的解释。本研究旨在了解摩擦学和流变学的特性如何能够帮助解释在 pH 值为 3.8 的纤维基基质(包括模型和真实的冰沙)中加入植物蛋白时的口感。十种不同的商业可用的分离植物蛋白(5%质量分数的蛋白溶液)表现出显著的聚集现象,其浓度接近等电点,在纤维基模型冰沙分散体(0.3%质量分数的果胶,0.8%质量分数的菊粉)中接近其等电点。特别地,模型冰沙的粘度跨越了三个数量级,其中许多(如果不是全部的话)表现出剪切稀化行为。植物蛋白表现出各异的摩擦耗散特性,其中一些经过测试的商业蚕豆蛋白、豌豆蛋白和鹰嘴豆蛋白浓缩物的表现优于行业标准,例如大豆蛋白分离物。模型奶昔在口感属性方面有效地模拟了真正的奶昔(11 名受过训练的评审员),表明植物蛋白影响着口感。皮尔逊相关性分析显示,在 10 毫米/秒的滑动速度下,摩擦系数与涩味强度评分之间存在很强的正相关关系(r > 0.8)。主成分分析清晰地根据其摩擦学-流变学-感官特征对样本进行了分类。具体而言,50 秒−1 时稳定剪切粘度较高以及边界层摩擦系数较高的样本倾向于聚集在一起,并与较高的涩味感知相关。因此,摩擦学证明是预测酸化植物蛋白饮料中涩味的一种有价值的工具,为寻求优化可持续饮料形式感官体验的配方师提供了见解。
-
利用人工智能和机器学习模型预测与评估货架期环境和包装材料对大蒜理化及植物化学成分的影响
查看原文2025
Food Chemistry: X
中科院一区JCR一区Hany S. El-Mesery, Ahmed H. ElMesiry, Mansuur Husein, Zicheng Hu & Ali Salem
食品标签
新鲜蔬菜 保藏与贮藏 品质、结构与理化性质 常规理化指标测定 其他理化与结构表征 花青素与类胡萝卜素计算机标签
机器学习/统计学习 深度学习 定量预测/回归分析 质构/流变/感官数据大蒜是一种被广泛食用的作物,其营养成分和品质在收获后必须通过克服多项挑战来加以保持。本研究的必要性源于人们对有效的采后管理解决方案的需求日益增长,这些方案能够延长保质期、维持大蒜的营养完整性并提高消费者满意度。本研究探讨了机器学习(ML)和人工智能(AI)在预测储存环境和包装材料对大蒜理化性质、酶活性、植物化学成分及抗氧化特性影响方面的应用。结果表明,温度对除花青素外的大多数参数都有显著影响,而包装则对所有变量都有影响。研究发现,将大蒜储存在4°C下比储存在25°C下能更好地保持其品质,这为优化储存条件和包装以获得更优质的产品提供了见解。这项研究为控制影响大蒜采后表现的因素提供了宝贵指导,旨在改善保鲜效果并减少食物浪费。
-
ChemSweet:一个基于人工智能的次世代甜味剂发现计算平台
查看原文2025
Food Chemistry
中科院一区JCR一区Jie Qian, Xuejie Wang, Fangliang Song, Ying Liang, Yingli Zhu, Yanpeng Fang, Wenbin Zeng, Dachuan Zhang & Jie Dong
食品标签
甜味剂 品质、结构与理化性质计算机标签
机器学习/统计学习 定量预测/回归分析如今,人工甜味剂的过度使用及其相关的健康不良影响,使得研发安全健康替代品的需求变得极为迫切。本文介绍了一款基于人工智能的平台——ChemSweet(http://chemsweet.ddai.tech),该平台可同时综合分子的理化性质、甜味特征与健康风险,快速筛选潜在甜味分子。研究构建了4种重要理化性质与4种毒性性质的机器学习预测模型,并将其集成至平台中,用于评估候选分子在加工过程中的生物安全性与稳定性。此外,团队开发了全新的甜味预测系统,可实现对6类特定甜味剂的甜味评价。为便于ChemSweet的实际应用,研究还集成了SuperNatural数据库,用于合理筛选具有应用前景的新型甜味剂。本研究成功筛选出294种同时满足多项预期标准的潜在甜味剂。我们认为,ChemSweet将成为识别安全健康甜味剂的有效工具,同时缩短研发周期、降低高昂的实验成本。
-
突破苦味壁垒:结合计算机筛选、感官科学和双路径脱苦技术的前沿策略
查看原文2025
Trends in Food Science & Technology
中科院一区JCR一区Xiao Chen, Yiyue Chen, Kang Chen, Liyan Zhao, Leiqing Pan, Zixuan Gu, Zhi Cheng & Weijie Lan
食品标签
特征风味 感官评价与方法学计算机标签
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 质构/流变/感官数据 多模态/融合数据背景:苦味是影响消费者接受度和饮食选择的五种基本味觉之一。食物中的苦味成分具有来源广泛、结构多样、味觉机制复杂等特点。准确发现和识别食物中的苦味成分是改善食物适口性的重要前提。
范围与方法:本综述探讨了利用计算方法(即数据库搜索、机器学习以及分子对接/模拟)识别苦味分子的进展。尽管基于计算机的方法加快了苦味化合物的筛选速度,但其预测往往缺乏生物学和感官背景。本综述通过提出一个将计算工具与感官引导验证相结合的闭环框架,系统地解决了这一差距。重要的是,我们强调了新兴的苦味抑制策略,包括技术引导的脱苦策略(超声处理、热/微波处理和发酵)以及感知修饰方法(针对味觉通路的苦味阻滞剂和通过不一致香气实现的香气-味觉相互作用)。这种双路径策略为设计适口的功能性食品提供了可操作的见解。
主要发现与结论:本综述的发现强调了计算机驱动筛选的快速性,同时也指出了其局限性,例如无法捕捉基质效应以及对现有数据质量的依赖。感官分析填补了计算预测与实际感知之间的差距。人工智能、分子对接/模拟与感官验证的整合,构建了一个用于苦味化合物识别的闭环系统。食品苦味领域的进一步研究应侧重于收集苦味受体的结构数据、开发针对关键苦味分子的定制脱苦方法,以及绘制香气-苦味相互作用的确切神经通路,以广泛应用多感官整合脱苦策略。