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
-
从机器学习到神经影像:风味预测与识别技术综述
查看原文2026
Food Research International
中科院一区JCR一区Jingtao Wang, Shan Wang, Dongliang Li, Wu Fan, Zhongwang Jiang, Jiabao Zhang, Qingzhao Shi, Qidong Zhang & Guobi Chai
食品标签
特征风味 感官评价与方法学 消费者偏好与接受度计算机标签
机器学习/统计学习 深度学习风味科学正经历一场范式转变,从传统的描述性研究转向预测性与机制性科学。以往综述多聚焦于单一技术突破,而本文则通过整合一套多尺度研究框架——从分子水平预测到中枢神经系统解读——提供了独特的系统性视角。本文首先阐述了人工智能与计算模拟如何通过构效关系建模和配体-受体相互作用建模,彻底革新风味化合物的计算机虚拟预测。同时,详述了基于功能性嗅觉/味觉受体构建的生物传感器,如何在仿生界面为风味识别提供前所未有的客观性。尤为关键的是,本文强调了神经影像技术(脑电图、功能磁共振成像)在直接解码大脑对风味的整合感知反应中的不可或缺作用——而这正是感官体验的最终评判标准。通过将这些进展整合成一条连贯的“从分子到大脑”研究路径,本文不仅为风味科学的未来发展指明方向,还为该领域提出了统一框架,凸显了这种整合思路在指导食品理性设计、推动产业创新中的关键作用。
-
用于食品过敏原检测的微流控生物传感器平台:应对加工引起的复杂性和日益增加的过敏风险
查看原文2026
Trends in Food Science & Technology
中科院一区JCR一区Jiahui Li, Chaoting Wen, Huan Li, Jinru Zhou, Shandong Wu, Yi Sun, Yi Liu, Zhoujie Wu, Aiqian Ye, & Linglin Fu
食品标签
过敏原与毒性问题 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 缺陷/异物检测与定位 时序传感器/物联网数据背景:食品加工的进步(例如高温/高压处理、超加工)显著增加了食品过敏原的复杂性,包括多种过敏原的共存、已知过敏原的可检测性降低、意外过敏原的出现以及促进敏感化的晚期糖基化终产物(AGEs)的产生。临床上已识别出对160多种食品的过敏反应;而欧洲2012至2021年的食品敏感化率达到17.4%(特异性IgE),临床确诊过敏率为2.9%。传统检测方法(如ELISA、PCR和质谱)受制于耗时的预处理、高成本、低通量以及检测意外过敏原的困难,无法满足现代食品工业对"实时监控、意外风险早期预警和高通量筛查"的需求。范围和方法:本文综述聚焦微流控生物传感器平台。首先详细介绍其技术特性:微流控芯片通过精确的微通道设计(如之字形混合区、抗体包被微球)实现固液分离、高效混合、微量富集、高通量多指标检测、集成便携性以及自动化实时监测。集成生物传感器(电化学、光学、压电)通过特异性识别元件(抗体、适配体)实现对过敏原的准确识别和定量。综述进一步分析了该平台的应用(高灵敏度单样本/单目标检测、高通量多样本/多指标检测)并探讨了加工引起的过敏原致敏性变化及相应的检测策略。主要发现和结论:微流控生物传感器平台有效解决了与加工相关的过敏原检测挑战:微通道设计简化了复杂基质预处理,并大幅减少了试剂消耗;通过捕获元件和连续流的富集显著降低了痕量过敏原检测限;多通道阵列可同时筛查10种以上的过敏原;此外,高度可编程的自动化集成策略便于分离、筛查和识别意外过敏原。尽管目前存在一些问题(高消耗品成本、标准化滞后),与工业自动化和人工智能的整合将在生产线实时监测、市场监管标签验证以及便携式家庭检测等场景中释放巨大潜力。最终,该平台为保障过敏人群的食品安全和公共健康提供关键的技术支持,推动食品过敏原检测朝着高效、精确和便携的方向发展。
-
双 Pickering 双重乳液的摩擦学特性:机器学习辅助的内液滴分析
查看原文2026
Food Hydrocolloids
中科院一区JCR一区Elizabeth Tenorio-Garcia, Siavash Soltanahmadi, Jens Saalbrink, Jose C. Bonilla, Michael Rappolt, Elena Simone, & Anwesha Sarkar
食品标签
乳清及乳清制品 巧克力及含可可制品 质构与流变性质 质构与流变测试 显微与成像技术计算机标签
机器学习/统计学习 缺陷/异物检测与定位 可见光/RGB/视频数据本研究考察了 Pickering 水包油乳液以及在两个界面上均由颗粒稳定的双 Pickering 水包油包水双重乳液(DEs)的摩擦学性能。水包油乳液由可可脂基油凝胶(CBolg)晶体稳定,而以这些乳液为内相的双重乳液则由乳清蛋白微凝胶(WPM)稳定。研究考察了温度(21 ℃和 37 ℃)以及表面纹理(光滑表面与仿生舌状表面)对水包油乳液(含水体积分数为 30%~60%)和双重乳液(含 20% 和 60% 质量分数的水包油相)摩擦学行为的影响。在光滑表面上,CBolg 主要通过一种依赖温度的脂肪润滑机制,在降低摩擦系数(μ)方面发挥关键作用。在双重乳液中,内部包裹水相的较小油滴可提供与油基体系相似的润滑作用,直至发生润滑剂匮乏。值得注意的是,在仿生舌状表面上,水包油乳液的含水量使不同乳液体系表现出明显差异,较高含水量对应较低的润滑性能。采用机器学习(ML)辅助的液滴分割方法分析共聚焦显微镜图像,使研究人员能够更精确地评价双重乳液在摩擦应力作用下的内部结构变化。结果表明,尽管双重乳液的内液滴尺寸发生了变化,但由于这些液滴被卷入接触区的程度有限,其对整体润滑性能的贡献很小。更重要的是,摩擦学性能主要由 WPM 决定,液滴卷入现象的影响极为有限。这些基础性发现凸显了结构化水在理解乳化体系摩擦性能方面的重要性,并表明体系结构完整性、组成以及摩擦表面形貌是关键影响因素。
-
从感官代谢组学到快速分析和机器学习:葡萄酒口感建模展望
查看原文2026
Journal of Agricultural and Food Chemistry
中科院一区JCR一区María-Pilar Sáenz-Navajas, Chelo Ferreira, & David W. Jeffery
食品标签
新鲜水果 酒精饮料 氧化、褐变等化学变化 特征风味 代谢组学计算机标签
机器学习/统计学习 分类/鉴别/等级评定 组学数据 质构/流变/感官数据葡萄酒是一类复杂的天然产物,涉及葡萄成分的生物转化以及陈酿过程中的持续化学演化。尽管人们已经积累了大量关于葡萄酒化学和感官性质的知识,但仍存在研究空白,并不断出现新的挑战。感官代谢组学正在推动相关边界拓展,可用于识别与感官接受度和产品质量相关的重要化学贡献物。对于数字化转型中的葡萄酒行业,快速分析方法和及时获得结果同样关键,但这些方法会产生大量数据。机器学习正快速成为处理多维数据集和建模复杂葡萄酒现象的灵活而有力的方法。本文从感官代谢组学、快速分析和机器学习角度讨论葡萄酒口感建模,为涩感、质感和感官品质相关的数据驱动研究提供展望。
-
樱桃谷鸭肉提取物中的新型鲜味肽:鉴定、感官特征及味觉感知机制
查看原文2026
Food Chemistry
中科院一区JCR一区Yu Hua, Yaqi Cao, Tianran Huang, Guanghui Li, & Ming Huang
食品标签
禽肉 特征风味 体外模型 蛋白质与氨基酸计算机标签
机器学习/统计学习 设计/生成与推荐 合成/仿真数据为主 质构/流变/感官数据本研究旨在鉴定鸭肉中的鲜味肽,并研究其与T1R1/T1R3受体的相互作用。通过计算机机器学习预测和分子对接筛选,发现了六种新型鲜味肽,其感官阈值范围为0.09至0.30毫摩尔/升。分子动力学模拟和结合能计算显示,它们与T1R1受体的稳定相互作用主要由静电作用和氢键网络介导。T1R1受体的关键残基为Arg277、Ser306和Arg307。这些结果为风味科学中鲜味肽的筛选创造了一种有效的方法,并促进了对鲜味感知机制的理解。