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
-
基于化学计量学的碾茶(Camellia sinensis cv. Yabukita、龙井43和白叶1号)非挥发性/挥发性风味物质研究
查看原文2023
Food Research International
中科院一区JCR一区Qiuwen Yu, Chuangsheng Huang, Ruolan Zhu, Debiao Lu, Liping Liu, Jianhong Lai, Xinyao Zhong, Jueshan Guan, Senjie Zhou, Yilin Tong, Zipei Wang, Ping Chen, Haowei Guo, Qiang Chu, Shuying Gong & Fangyuan Fan
食品标签
茶/茶饮料 特征风味 感官科学与消费者研究 光谱/色谱/质谱等分析方法 代谢组学 风味组学 蛋白质与氨基酸 多酚与黄酮 其他植物化学物质计算机标签
偏最小二乘法 智能手机/其他 分类/鉴别/等级评定 组学数据 质构/流变/感官数据随着茶叶消费需求的增长,开发具有独特特征的产品变得尤为重要。碾茶的感官品质在很大程度上取决于不同茶树品种的内在差异。然而,碾茶的化学成分与其感官特性之间的相关性尚不清楚。为深入理解碾茶的风味形成机制并进一步开发新的品种资源,本研究调查了来自不同茶树品种(薮北种、龙井43和白叶1号)的碾茶中的非挥发性/挥发性代谢物及其感官特性;并通过偏最小二乘判别分析(PLS-DA)、多重因子分析(MFA)和多维对齐(MDA)分析进一步评估了风味特性与非挥发性/挥发性成分之间的关系。在所有样品中共检测到64种非挥发性和116种挥发性化合物,其中71种代谢物被确定为关键风味化学贡献物,涉及氨基酸、黄酮醇苷、黄酮、儿茶素、酮类、醇类、烃类、醛类、酯类和酸类。不同茶树品种制成的碾茶样品中,与滋味相关的氨基酸、黄酮醇苷和没食子酸的含量差异显著。所有样品均表现出典型的碾茶品质特征。来自龙井43和露天栽培的白叶1号的碾茶样品显示出较高水平的氨基酸和没食子酸,这与茶汤的鲜味和醇厚滋味相关。丰富的黄酮醇苷与涩味相关,而部分三糖苷,特别是槲皮素-3-O-半乳糖苷-鼠李糖苷-葡萄糖苷以及总的黄酮醇半乳糖苷-鼠李糖苷-葡萄糖苷,则与醇厚滋味相关。花香醇类被确定为碾茶清爽香气特征的重要贡献者。绿色、杏仁样、酸性和果味气味物质与清新香气相关,而酮类、酯类、酸类和烃类等绿色、干酪样和蜡质气味物质则与海苔样香气相关。本研究深入揭示了不同茶树品种碾茶与感官相关的化学特征,为碾茶的风味和品质鉴定提供了有价值的信息。
-
食用油的电化学研究:实验、电特征及掺假花生油的监督学习案例研究
查看原文2023
Food Chemistry
中科院一区JCR一区Anoop C. Patil, Ana Fernández la Villa, Arjun Kesav Mugilvannan & Untzizu Elejalde
食品标签
植物油 食品安全与风险评估 理化与结构表征计算机标签
机器学习/统计学习 分类/鉴别/等级评定传统表征食用油的常规方法,如化学分析法、色谱法及光吸收技术,操作繁琐、成本高昂且设备体积庞大、不易落地应用。本文采用电化学阻抗谱技术对13种食用油开展研究,提出一种无需样品前处理、可快速且稳定表征食用油电学特性的新方法。该方法通过交变电场探测食用油,捕捉各类食用油特有的电学响应特征。经主成分分析可有效区分食用油种类,并构建具有重复性的特征变化规律,以此作为食用油的电学特征指纹。将该检测数据应用于掺假花生油实例研究中,采用分批留一法的有监督机器学习算法实现掺假比例定量检测。4组测试批次的平均绝对误差为2.18~3.27,决定系数R²为0.975~0.991。本研究为食用油的电化学检测研究提供了范例,有望开发便携式实用检测装置,实现食用油及掺假油品的现场快速检测。
-
氢化物发生-智能手机RGB读取与视觉比色双模式系统用于水样和蜂蜜中无机砷的检测
查看原文2023
Food Chemistry: X
中科院一区JCR一区Chenxi Jiang, Shuang Ye, Jing Xiao, Chao Tan, Huimin Yu, Xiaoli Xiong, Ke Huang, Yujia Deng & Zhirong Zou
食品标签
蜂蜜等天然糖 化学污染物 过程监测与在线检测 光谱/色谱/质谱等分析方法计算机标签
智能手机/其他 定量预测/回归分析 可见光/RGB/视频数据建立了一种用于蜂蜜和饮用水样品中无机砷测定的小型化/便携式双模式比色分析系统。氢化物发生技术因其高发生效率和有效基质分离能力,被用作该比色系统的采样技术。通过氢化物发生生成AsH3,与HAuCl4反应后在试纸上形成金纳米颗粒,使试纸颜色由浅黄色变为深蓝色,可同时通过肉眼(视觉比色模式)和智能手机(RGB读取模式)读取。通过对两种水样、四种蜂蜜样品和两种标准参考水样(BWB2440-2016和GBW08650)的分析,进一步验证了该方法的准确性和现场分析潜力,所有样品及其加标样品的回收率均在90%-116%之间。
-
基于340 nm激发荧光光谱的牛肉品质快速评估方法
查看原文2023
Food Control
中科院一区JCR一区Huan Liu, Wenying Zhu, Ning Zhang, Zengtao Ji, Siyang Deng, & Xinting Yang
食品标签
畜肉 品质、结构与理化性质 颜色与外观品质 其他品质相关性质 光谱/色谱/质谱等分析方法计算机标签
偏最小二乘法 主成分分析/判别分析 定量预测/回归分析 红外/拉曼光谱数据本研究探究了340 nm 激发波长荧光光谱技术在冷藏贮藏期间牛背最长肌品质指标快速检测中的应用潜力。监测的品质指标包括沃布剪切力、持水性(蒸煮损失与汁液流失率)、pH 值及色泽参数(亮度值L ∗、红度值a ∗、黄度值b ∗)。实验发现,烟酰胺腺嘌呤二核苷酸(NADH)与卟啉类物质的荧光特性与上述品质指标均呈高度相关。为消除各牛肉品质指标间的多重共线性,本研究通过主成分分析法构建了一个全面有效的综合评价指标。基于该指标,采用偏最小二乘算法建立牛肉品质定量预测模型。结果显示,综合指标模型的预测效果良好:校正决定系数(R c2)达 0.912,预测决定系数(R p2)为 0.903;校正均方根误差(RMSEC)为 0.488,预测均方根误差(RMSEP)为 0.581。
综上,该方法可用于冷藏牛肉品质的可靠评估。 -
通过改进的肽组学技术探索新型血管紧张素转换酶抑制肽:深度学习策略能否成为肽结构与功能预测的核心突破?
查看原文2023
Food Research International
中科院一区JCR一区Wei Jia, Jian Peng, Yan Zhang, Jiying Zhu, Xin Qiang, Rong Zhang & Lin Shi
食品标签
乳及乳制品 营养与生物功能 血糖、血脂与代谢相关功能 组学与高通量技术 蛋白质与氨基酸计算机标签
深度学习 卷积神经网络 其他深度学习结构 分类/鉴别/等级评定 定量预测/回归分析 组学数据乳源血管紧张素转换酶抑制肽(ANGICon-EIPs)被认为是一种对高血压患者相对安全的辅助饮食治疗策略,短链肽因其能被肠道直接吸收而可能具有更相关的降压益处。我们前期的探索已证实内源性山羊乳短链肽也是ANGICon-EIPs的重要来源。然而,由于当前内源性肽提取和富集技术的限制,对内源性ANGICon-EIPs的探索仍然有限。本综述概述了改进的预处理策略、数据获取方法以及肽结构和功能预测工具,旨在为发现新型ANGICon-EIPs提供创新思路。目前,基于深度学习的肽结构和功能预测算法已取得显著进展。卷积神经网络(CNN)和基于肽序列的生物活性肽多功能性(MLBP)多标签深度学习方法可以预测多种肽功能,其绝对真值和准确度分别为0.699和0.708。利用肽序列输入、扭转角和残基间距离来训练神经网络,APPTEST预测的肽(5-40个氨基酸单位)结构的平均骨架均方根偏差值低至1.96 Å。总体而言,随着更多神经网络架构的探索,深度学习可以被视为一种关键的研究工具,可降低发现新型内源性ANGICon-EIPs的成本并提高其效率。