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
-
利用机器学习对小麦麸质酶解及发酵产物中的鲜味肽进行筛选与表征
查看原文2024
LWT
中科院一区JCR一区Haowen Chen, Chunxia Zhou, Guili Jiang, Jiawen Yi, Jingjing Guan, Meizhen Xu, Huiyan Zhao, & Donghui Luo
食品标签
小麦 其他酱腌/发酵食品 特征风味 光谱/色谱/质谱等分析方法 发酵工艺与动力学 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 质构/流变/感官数据为了探索经过谷氨酸棒杆菌(Corynebacterium glutamicum,C. glutamicum)发酵后具有不同水解度(DH)的麦麸蛋白水解物(WGHs)中的鲜味肽,建立了一种基于机器学习的鲜味肽高通量筛选方法。结果显示,发酵 4 天后,高 DH 的发酵 WGHs 呈现出更优的口感,并产生更多的小分子肽。发酵增加了 DH10、DH15 和 DH20 的 WGHs 中特征肽的数量。其中,DH15 的发酵 WGHs 是潜在鲜味肽的重要来源。筛选出六种潜在鲜味肽(QQLPQFEE、LSFE、EELR、YTCE、YTTD、EEDQ),并证明它们能通过氢键作用、电荷作用和疏水作用与 T1R1/T1R3 受体形成稳定复合物。肽与受体的亲和力在 -6.3 至 -8.1 千卡/摩尔范围内。GLU735、GLY755、SER734、SER757 和 THR227 是关键结合位点。感官评价和电子舌显示,六种肽表现出鲜味特征,并具有增强鲜味和咸味的能力。EEDQ 表现出最强的鲜味强度,而 QQLPQFEE 的鲜味阈值最低。本研究为有效筛选新的微生物来源鲜味肽提供了可靠的方法。
-
通过化学计量学和随机森林方法探索由酪蛋白水解物衍生的助眠肽的结构特征
查看原文2024
Food Chemistry
中科院一区JCR一区Jingjing Qian, Fengjie Yu, Leggy A. Arnold, Arjun Saha, Lin Zheng, & Mouming Zhao
食品标签
乳及乳制品 营养与生物功能 蛋白质与氨基酸计算机标签
随机森林 分类/鉴别/等级评定 组学数据牛奶中的酪蛋白被认为能够释放具有促进睡眠作用的肽类物质。尽管各种酪蛋白水解产物都表现出促进睡眠的作用,但其背后的机制仍不清楚。本研究首次通过蛋白质组学和多变量分析揭示了从分析的酪蛋白水解产物中提取出的潜在促进睡眠肽的结构特征。此外,还建立了一个随机森林模型和一个潜在的酪氨酸基肽库,并对这些肽进行了定量,以方便快速筛选。我们的研究结果表明,具有 4 - 10 个氨基酸的 YP-、YI/L 和 YQ 型肽对酪蛋白水解产物的更高促进睡眠活性贡献更大,这是由于它们关键的结构特征和丰富的数量所致。此外,还筛选出了三种新型强效的促进睡眠肽,即 YQKFPQY、YPFGPIPN 和 YIPIQY,并在体内验证了其活性。分子对接结果阐明了酪蛋白肽 N 端的 YP/I/L/Q 结构在与 GABAA 受体中的 His-102 和 Asn-60 形成关键氢键和π-烷基相互作用方面的重要性,从而实现激活作用。
-
AI4ACEIP:基于集成学习策略融合分子表征与序列信息预测ACE抑制肽的计算工具
查看原文2024
Journal of Agricultural and Food Chemistry
中科院一区JCR一区Sen Yang, Jiaqi Ni & Piao Xu
食品标签
血糖、血脂与代谢相关功能 其他统计建模方法 蛋白质与氨基酸计算机标签
梯度提升决策树 其他深度学习结构 随机森林 分类/鉴别/等级评定 组学数据 文本/知识库/法规数据高血压是一种常见的慢性疾病,也是心血管疾病的主要危险因素。血管紧张素转换酶(ACE)将血管紧张素 I 转化为血管紧张素 II,从而导致血管收缩并升高血压。药物治疗是传统高血压治疗的主要手段,但会产生各种不良副作用。一些源自食物的肽能够抑制 ACE,这类肽被称为 ACEIP,其不良反应较少。因此,寻找强效的膳食 ACEIP 以辅助高血压治疗至关重要。在本文中,我们提出了一个名为 AI4ACEIP 的新模型来识别 ACEIP。AI4ACEIP 采用一种新颖的两层堆叠集成架构,基于从序列、大型语言模型和基于分子的信息中提取的综合视图特征来预测 ACEIP。对特征组合的分析表明,选定的四个综合特征对识别 ACEIP 的表现有增强作用。为了找到具有强大能力从综合特征对中学习信息的元模型,使用了特征选择方法 PowerShap 来选择 40 个最优特征和元模型组合。与七种最先进的方法相比,在源数据和清晰基准数据集上,AI4ACEIP 的表现显著优于其他方法,其马修斯相关系数分别高出 8.47%至 20.65%和 5.49%至 14.42%。简而言之,AI4ACEIP 是一种可靠的 ACEIP 预测模型,并可在 https://github.com/abcair/AI4ACEIP 上免费获取。
-
利用拉曼光谱结合深度学习算法,研究热诱导猪肉面糊质量检测与变化机制
查看原文2024
Food Chemistry
中科院一区JCR一区Huanhuan Li, Wei Sheng, Selorm Yao-Say Solomon Adade, Xorlali Nunekpeku, & Quansheng Chen
食品标签
畜肉 品质、结构与理化性质 光谱/色谱/质谱等分析方法 蛋白质与氨基酸计算机标签
深度学习 其他深度学习结构 定量预测/回归分析 红外/拉曼光谱数据猪肉面糊的质量对其成品有着重大影响。在此研究中,我们探索了利用拉曼光谱技术结合深度学习算法来快速检测猪肉面糊的质量,并揭示在加热过程中质量变化的机制。结果表明,加热增加了β-折叠含量(从26.38%增加到41.42%),并暴露了隐藏的疏水基团,这些基团通过化学键形成聚集物。主要的疏水相互作用进一步将这些聚集物交联起来,在80°C时形成了更均匀、更致密的网络。随后,比较使用了卷积神经网络(CNN)、长短期记忆神经网络(LSTM)和CNN-LSTM 来根据拉曼光谱预测面糊的凝胶强度和白度。其中,CNN-LSTM 在凝胶强度(Rp = 0.9515,RPD = 3.1513)和白度(Rp = 0.9383,RPD = 3.0152)方面提供了最佳结果。因此,本研究展示了拉曼光谱技术结合深度学习算法作为非破坏性工具预测猪肉面糊质量并阐明质量变化机制的潜力。
-
基于短波红外成像的预处理方法与机器学习算法在干紫菜蛋白质含量测定中的创新策略
查看原文2024
Food Chemistry: X
中科院一区JCR一区Eunghee Kim,Jong-Jin Park,Gyuseok Lee,Jeong-Seok Cho,Seul-Ki Park,Dae-Yong Yun,Kee-Jai Park & Jeong-Ho Lim
食品标签
其他肉与水产品 品质、结构与理化性质 常规理化指标测定 光谱/色谱/质谱等分析方法 蛋白质与氨基酸计算机标签
支持向量机 特征工程与选择策略 定量预测/回归分析 高光谱/多光谱光谱在本研究中,我们探究了短波红外(SWIR)高光谱成像结合竞争性自适应重加权采样(CARS)和先进回归模型在紫菜干蛋白质含量无损检测中的应用。我们利用900–1700 nm的光谱范围,旨在通过CARS选择信息丰富的波长,并应用多种预处理技术(标准正态变量[SNV]、Savitzky-Golay滤波[SG]、正交信号校正[OSC]和StandardScaler[SS])来提高模型的准确性,从而优化质量控制流程。基于CARS选择的波长训练的SNV-OSC-StandardScaler-支持向量回归(SVR)模型显著优于其他配置,其预测决定系数(Rp²)为0.9673,预测均方根误差为0.4043,剩余预测偏差为5.533。这些结果凸显了短波红外高光谱成像作为一种快速、精确的紫菜干质量评估工具的潜力,有助于食品行业的质量控制和紫菜干市场的发展。