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
-
化学成像用于测定普洱茶渥堆发酵过程中品质成分的分布
查看原文2024
Food Control
中科院一区JCR一区Tiehan Li, Chengye Lu, Yuming Wei, Jixin Zhang, Aiju Shao, Luqing Li, Yujie Wang, & Jingming Ning
食品标签
茶/茶饮料 品质、结构与理化性质 其他加工技术 光谱/色谱/质谱等分析方法 蛋白质与氨基酸 其他植物化学物质计算机标签
支持向量机 分类/鉴别/等级评定 定量预测/回归分析 高光谱/多光谱光谱渥堆发酵是普洱茶品质形成的关键工序;然而,传统渥堆发酵工艺制约了普洱茶的数字化、智能化生产。为构建普洱茶渥堆发酵程度的定性与定量预测模型,本研究采用高光谱成像技术结合化学计量学分析方法开展相关研究。基于最小二乘支持向量机所建立的定性模型,可实现对渥堆发酵程度的高效判别,判别准确率达 98.63%。此外,直接利用原始光谱数据对影响品质的关键组分 —— 总儿茶素、游离氨基酸及叶绿素 a 进行定量分析,所得预测残差分别为 11.26、4.34 和 3.89。本研究通过化学成像技术绘制出上述组分在渥堆发酵过程中的空间分布图谱,并确定:当模型预测的总儿茶素、游离氨基酸及叶绿素 a 含量分别低于 0.48、11.21 和 1.29 mg/g 时,即可判定渥堆发酵达到终点。研究结果为普洱茶的数字化加工提供了理论依据。
-
pLM4Alg:基于蛋白质语言模型的过敏原蛋白和肽预测器
查看原文2024
Journal of Agricultural and Food Chemistry
中科院一区JCR一区Zhenjiao Du, Yixiang Xu, Changqi Liu, & Yonghui Li
食品标签
过敏原与毒性问题 暴露评估与风险表征 标准/法规/数据库分析 蛋白质与氨基酸计算机标签
卷积神经网络 其他深度学习结构 定量预测/回归分析过敏患病率上升要求开发高效、准确的生物信息学工具,以加快过敏原识别和风险评估,同时减少湿实验成本和时间。近年来,预训练蛋白质语言模型已成功用于预测蛋白质结构和功能,但此前尚未用于过敏原蛋白/肽预测。本研究使用五种不同规模的蛋白质语言模型,并通过与卷积神经网络微调结合,开发稳健的过敏原蛋白/肽预测模型,并系统评估其性能。所开发的 pLM4Alg 模型达到当前先进水平,准确率、Matthews 相关系数和曲线下面积分别为 93.4%-95.1%、0.869-0.902 和 0.981-0.990。此外,pLM4Alg 是首个能够处理残基缺失序列以及含非标准氨基酸残基序列预测任务的模型。研究还建立了用户友好的网络服务器,便于访问。pLM4Alg 有望成为基于机器学习的过敏肽和过敏蛋白预测领先模型,并可与其他预测器协同加速过敏研究。
-
人工智能在食品生物活性肽筛选中的应用:最新进展与未来展望
查看原文2024
Trends in Food Science and Technology
中科院一区JCR一区Jingru Chang, Haitao Wang, Wentao Su, Xiaoyang He & Mingqian Tan
食品标签
营养与生物功能 植物化学/生物活性成分 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/回归分析背景:食品源性生物活性肽在营养与健康中起着至关重要的作用。鉴定FBPs的传统实验方法通常费时费力且成本高昂。相比之下,虚拟筛选和分子动力学模拟等计算方法也有其自身的局限性。人工智能技术使得对FBPs进行高通量筛选和活性机制分析成为可能。正在进行的人工智能研究将促进FBPs的深入开发与应用。
范围与方法:本综述概述了AI筛选FBPs的一般流程,包括数据基础、分子特征表示、机器学习与深度学习模型的构建与训练,以及评估与验证。同时总结了AI筛选不同生物活性FBPs的最新研究进展,讨论了当前的关键问题与挑战,并展望了FBPs的未来研究方向与趋势。
主要发现与结论:在利用AI筛选方法鉴定具有抗炎、抗菌、抗氧化、增味和降压等功能的FBPs方面已取得显著进展,而针对抗肥胖和抗疲劳肽的研究仍处于起步阶段。深度学习已展现出相较于传统机器学习技术的明显预测优势。然而,在筛选具有不同生物活性的肽时仍存在挑战。未来,应在食品专用大模型内开发数据增强策略,并创建基于多尺度化学空间特征的通用深度学习框架,以预测肽-靶标的动态相互作用。应建立一个结合深度学习、虚拟筛选或分子动力学模拟、体外测试和体内实验的高通量筛选框架,并加强对如抗肥胖和抗疲劳等多功能肽AI方法的研究。 -
利用红外、拉曼及荧光光谱数据多变量计量学模型预测牛奶成分:研究综述
查看原文2024
Food Control
中科院一区JCR一区Saeedeh Mohammadi, Aoife Gowen, Jiani Luo & Colm O'Donnell
食品标签
液态乳 品质、结构与理化性质 营养与生物功能 光谱/色谱/质谱等分析方法 传统统计分析与回归 维生素 蛋白质与氨基酸 脂质与脂肪酸 碳水化合物与糖类计算机标签
机器学习/统计学习 定量预测/回归分析 红外/拉曼光谱数据 多模态/融合数据牛奶是人类获取多种营养的综合性来源,同时也是生产其他乳制品的重要原料,因此乳制品行业需对其品质进行严格检测。相较于传统的湿法化学分析方法,快速、经济且无损的光谱分析技术在牛奶检测中更具应用优势。本研究的目的是,综述基于近红外光谱(NIR)、中红外光谱(MIR)、荧光光谱及拉曼光谱数据的多元化学计量学建模,以及数据融合技术,在牛奶成分预测方面的应用情况,涉及的成分既包括脂肪、蛋白质、乳糖等常量营养素,也涵盖脂肪酸、维生素等微量营养素。该综述梳理了描述牛奶样品光谱分析及多元数据分析方法应用的相关文献资料;此外,还评述了整合多种光谱技术时所采用的数据融合策略的重要性,以此评估这类策略对于提升预测模型准确率的应用潜力。近期相关研究表明,采用数据融合策略有助于改善牛奶成分预测模型的性能。
-
高分辨蛋白质组学与机器学习鉴定西西里黑蜂蜜的蛋白质分类标志物
查看原文2024
Food Research International
中科院一区JCR一区Giulia Biundo, Matteo Calligaris, Margot Lo Pinto, Danilo D’apolito, Salvatore Pasqua, Giulio Vitale, Giuseppe Gallo, Antonio Palumbo Piccionello & Simone D. Scilabra
食品标签
蜂蜜等天然糖 品质、结构与理化性质 光谱/色谱/质谱等分析方法 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 定量预测/回归分析 组学数据西西里黑蜂(Apis mellifera ssp. sicula)是一种慢食保护品种,其生产的蜂蜜具有卓越的营养特性,包括高抗氧化能力。本研究采用高分辨率蛋白质组学技术对西西里黑蜂所产蜂蜜进行分析,旨在鉴定能够将其与更常见的意大利蜜蜂(Apis mellifera ssp. ligustica)所产蜂蜜区分开的蛋白质分类标志物。我们在同一地理区域饲养了遗传纯正的西西里黑蜂和意大利蜜蜂,并对它们的蜂蜜蛋白质组进行了分析,以确保蜂蜜中的化学差异仅反映两个亚种的遗传背景,而非植物来源环境的影响。通过使用常用于临床蛋白质组学生物标志物发现的“矩形策略”蛋白质组学方法,我们在不同来源的西西里黑蜂蜂蜜和意大利蜂蜂蜜中验证了差异丰度蛋白质。随后,利用机器学习技术确定了哪些蛋白质在区分这两种蜂蜜时最为有效。该策略成功鉴定出两种蛋白质——漆酶-5和毒液丝氨酸蛋白酶34异构体X2,它们能够完全有效地预测蜂蜜是由西西里黑蜂还是意大利蜜蜂所生产。总之,本研究描绘了西西里黑蜂蜂蜜的蛋白质组图谱,鉴定出了两种相对于意大利蜂蜂蜜的西西里黑蜂蜂蜜蛋白质分类标志物,并证明了矩形策略可用于发现生物标志物以确定食品的真实性。