类目筛选（食品学者）
清除筛选
-
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）
清除筛选
-
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）
清除全部筛选
标签记录（计算机学者）
共 289 条结果
-
ProTformer：基于 Transformer 的近红外反射光谱模型用于高效预测扁豆（Lablab purpureus L.）蛋白质含量
查看原文
2024
Food Research International
中科院一区JCR一区
Naseeb Singh, Simardeep Kaur, T. Mithraa, Veerendra Kumar Verma, Amit Kumar, Vinod Choudhary & Rakesh Bhardwaj
食品标签
豆类与坚果（及籽类） 其他品质相关性质 基本营养价值评价 光谱/色谱/质谱等分析方法 蛋白质与氨基酸计算机标签
偏最小二乘法 卷积神经网络 定量预测/回归分析 红外/拉曼光谱数据扁豆（Lablab purpureus L.）因其较高的蛋白质含量而闻名，为减少对动物蛋白的依赖和支持可持续农业提供了有前景的替代方案。如今，整合了近红外反射光谱（NIRS）的卷积神经网络（CNNs）在营养分析方面已超越传统方法。然而，一种称为Transformer的先进技术，尽管潜力巨大，但在预测作物关键品质性状方面仍未得到充分探索。因此，在本研究中，我们旨在利用基于Transformer的模型（命名为ProTformer）结合NIRS来预测扁豆的蛋白质含量。采用杜马斯燃烧法测定了112个扁豆基因型的蛋白质含量。将该模型的性能与一维CNN和基于改进偏最小二乘法（MPLS）的模型进行了比较。这些模型使用决定系数（RSQ）、残差预测偏差（RPD）、偏差和校正预测标准误差（SEP(CI)）进行评估。我们的研究结果表明，基于Transformer的模型达到了最高的预测准确度（RSQ = 0.977, RPD = 13.92），其RPD值分别比一维CNN（RSQ = 0.956, RPD = 11.33）和MPLS（RSQ = 0.943, RPD = 10.53）模型高出22.86%和32.21%。Transformer模型中存在的多头自注意力机制使其能够同时关注不同的光谱区域，从而产生卓越的预测性能。这项研究表明了将Transformer模型与NIRS结合用于营养分析的潜力，可有效扩展到其他作物，用于快速筛选全球种质库中的大量种质资源。
-
化学计量学与数据非依赖采集蛋白质组学联用技术用于肉类真实性生物标志物发现：基于有机与无抗生素养殖系统下Ross 308和Ranger Classic鸡早期死后胸大肌蛋白质组的研究
查看原文
2024
Journal of Agricultural and Food Chemistry
中科院一区JCR一区
Laura Alessandroni, Gianni Sagratini & Mohammed Gagaoua
食品标签
禽肉 食品安全与风险评估 蛋白质组学 蛋白质与氨基酸计算机标签
偏最小二乘法 分类/鉴别/等级评定 组学数据许多因素，如养殖方式和宰前饲养方式等，都会对家禽的生理和代谢功能产生影响，进而对家禽肉的品质产生影响。在本次试验中，采用无标签的鸟枪法蛋白质组学技术来分析罗斯 308 和兰杰经典鸡品种在两种不同的养殖系统（即有机养殖和无抗生素养殖）下的宰后胸大肌蛋白质组。通过使用部分最小二乘判别分析（PLS-DA）的化学计量学方法与鸟枪法蛋白质组学技术相结合，能够清晰地区分不同的组别。鸡品种通过抗生素无添加养殖系统和有机养殖系统内蛋白质丰度的差异得以区分，分别为 73 种和 62 种蛋白质。罗斯 308 和兰杰经典鸡品种内 71 种和 52 种蛋白质的丰度受养殖系统的影响不同。这些分析提出了几个可能的肉品真实性生物标志物，这些标志物与肌肉结构和能量代谢途径有关。这项研究在阐明蛋白质组学分析和化学计量学在鸡肉中的应用潜力方面迈出了重要的一步，这或许能为有效评估鸡肉的真伪提供机会。
-
应用高光谱成像与机器学习技术基于大豆种子预测石膏豆腐品质
查看原文
2024
Food Control
中科院一区JCR一区
Amanda Malik, Billy Ram, Dharanidharan Arumugam, Zhao Jin, Xin Sun, & Minwei Xu
食品标签
豆类与坚果（及籽类） 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 脂质与脂肪酸计算机标签
深度学习 梯度提升决策树 分类/鉴别/等级评定 定量预测/回归分析 高光谱/多光谱光谱大豆是制作优质豆腐的核心原料。传统大豆制豆腐品质评定方法不仅耗时，还需投入大量人力。本研究采用高光谱成像（HSI）技术结合机器学习算法，实现基于大豆籽粒快速预测石膏豆腐品质的目标。研究人员依据豆腐品质，通过系统聚类法将 200 份大豆品种划分为 4 个等级；同时采集大豆籽粒在 900~1700 nm 波段的高光谱图像数据。借助极端梯度提升（XGBoost）算法，筛选出 10 个与大豆蛋白质、碳水化合物及油脂含量显著相关的特征波长。在此基础上，利用不同等级大豆的高光谱数据训练卷积神经网络（CNN）模型。针对未知大豆样本，该 CNN 模型可将其精准归类至对应品质等级，分类准确率达 96%~99%。通过豆腐制作实验进一步验证，该模型对豆腐出品率、硬度、弹性等核心品质指标的预测结果具有良好的稳健性。综上，这项创新性研究搭建了高光谱成像结合卷积神经网络的技术体系，实现了从大豆籽粒层面快速、无损预测豆腐品质的目标。经进一步优化完善后，该技术有望革新大豆籽粒的品质评定模式。
-
通过胃蛋白酶水解升级利用牛犊血屠宰副产品：基于回归机器学习方法鉴定三种新型抗真菌肽
查看原文
2024
Food Research International
中科院一区JCR一区
Zain Sanchez-Reinoso, Jacinthe Thibodeau, Juan de Toro-Martín, Sara García-Vela, Jean-Pierre Clément, Marie-Claude Vohl, Ismail Fliss & Laurent Bazinet
食品标签
内脏及副产物 其他生物活性与健康效应 循环经济与绿色供应链 其他组学方法 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 组学数据牛犊血（C-cru）是抗菌肽的一个尚未充分研究的来源，可在循环经济框架下用于肉制品的生物保藏。本研究评估了pH值和胃蛋白酶水解时间对C-cru的酶解机制、肽群和抗菌活性（抗菌、抗真菌和抗酵母）的影响。结果表明，C-cru的胃蛋白酶水解具有与成年牛血红蛋白相似的酶解机制，在pH 2和3时促进“拉链机制”的发展，而在pH 4和5时则促进“逐一机制”。抗菌活性结果表明，在pH 2和3下水解180分钟能产生较高的抗菌活性，而在pH 3下水解30分钟则有利于抗真菌和抗酵母活性。此外，首次将监督机器学习工具应用于肽组学数据，从而阐明了α(47–80)、β(130–145)和β(102–109)作为新型抗真菌肽序列。
-
基于特征融合的食品蛋白亚细胞预测用于药物成分研究
查看原文
2024
Food Chemistry
中科院一区JCR一区
Haewon Byeon, Mohammad Shabaz, Janjhyam Venkata Naga Ramesh, Ashit Kumar Dutta, Richa Vijay, Mukesh Soni, Jagdish Chandra Patni, Maher Ali Rusho, & Pavitar Parkash Singh
食品标签
传统统计分析与回归 蛋白质与氨基酸计算机标签
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 组学数据膳食蛋白的结构和功能，以及其亚细胞预测，对于设计和开发新药物组成以及理解某些疾病的病理生理学至关重要。作为解决方案，我们提供了一种基于特征融合和聚类的亚细胞定位方法，用于膳食蛋白。此外，还建议采用一种增强型PseAAC（伪氨基酸组成）方法，该方法建立在传统PseAAC基础之上。该研究最初通过整合自相关、气密度和改进的PseAAC来构建一个新的模型，以更好地传达食物蛋白序列的信息。之后，通过主成分分析降低融合特征向量的维数。革氏阳性数据集的预测准确率分别为99.24%，革氏阴性数据集为95.33%，实验结果证明了该方法的可行性和有效性。本文主要探讨伪氨基酸组成，这并非临床层面，而是药物重定位的药物方面。
