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
-
基于中红外光谱与化学计量学结合快速鉴别A1和A2牛奶
查看原文2022
Food Control
中科院一区JCR一区Shijie Xiao, Qiaohua Wang, Chunfang Li, Wenju Liu, Jingjing Zhang, Yikai Fan, Jundong Su, Haitong Wang, Xuelu Luo, & Shujun Zhang
食品标签
液态乳 食品安全与风险评估 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 支持向量机 分类/鉴别/等级评定 红外/拉曼光谱数据仅含 A2 β- 酪蛋白的牛奶(简称A2 奶)因其独特的健康功效而风靡全球。传统鉴别方法需借助基因检测技术(如基因测序)筛选携带 A2 β- 酪蛋白基因、仅能产 A2 奶的奶牛,但该方法耗时且成本高昂。本研究旨在绕开奶牛基因分型步骤,建立基于中红外光谱技术(MIR)结合化学计量学的检测方法,实现对大批量牛奶样本中 A1 奶与 A2 奶的直接鉴别。在构建预测模型前,研究人员首先采集奶牛血样进行 A1 β- 酪蛋白与 A2 β- 酪蛋白的基因分型,并将分型结果作为参考标准值;随后利用乳制品分析仪获取这些奶牛所产牛奶的中红外光谱数据。研究以中红外光谱数据为自变量、基因分型参考值为因变量,构建 A1 奶与 A2 奶的类别判别模型。实验将七种光谱预处理方法与两种特征提取算法进行组合建模,分别构建了偏最小二乘判别分析(PLS-DA)模型和支持向量机(SVM)模型。结果显示,两种模型测试集的平均准确率分别为 94.9% 和 94.4%,其中PLS-DA 模型表现更优,其训练集准确率达 96.6%,测试集准确率达 96.0%。研究人员采用一组独立样本对 PLS-DA 模型进行外部验证,验证结果显示预测准确率为 95.2%。综上,本研究提出的基于中红外光谱技术的预测模型,可实现 A1 奶与 A2 奶的低成本、快速、大规模鉴别,对乳品生产行业具有重要的应用价值。
-
利用新型深度学习分类器进行虚拟筛选揭示膳食 CYP3A4 抑制剂
查看原文2022
Journal of Agricultural and Food Chemistry
中科院一区JCR一区Yelena Guttman, & Zohar Kerem
食品标签
复合/即食/餐饮食品 食品安全与风险评估 肠道健康与微生物相关功能 体外模型 蛋白质与氨基酸计算机标签
深度学习 设计/生成与推荐 合成/仿真数据为主 小规模数据集CYP3A4 是人体负责膳食化合物、处方药、外源物、甾体激素和胆汁酸 I 相代谢的主要酶。抑制 CYP3A4 活性可能影响内分泌系统、药物应答等生理机制。本研究旨在从食品和膳食补充剂中发现新的 CYP3A4 抑制剂。研究构建了一个深度学习分类模型,用于将化合物判定为抑制剂或非抑制剂,模型特异性达到 0.997。利用该分类器对约 60000 种膳食化合物进行虚拟筛选后,研究识别出 115 种潜在抑制剂,其中仅 31 种此前已有报道。模型预测显示,多种草本来源成分可能影响药物、内源性激素和胆汁酸代谢。进一步结合 Lipinski 五规则,17 种化合物被判定为潜在肠道局部抑制剂。模型预测的新 CYP3A4 抑制剂 bilobetin 和 picropodophyllin 还进行了体外验证。该研究为识别食品-药物相互作用风险中的膳食 CYP3A4 抑制剂提供了深度学习虚拟筛选工具。
-
基于人工神经网络的牛油渣美拉德反应产物风味预测
查看原文2022
Food Chemistry: X
中科院一区JCR一区Jingwei Cui, Yinhan Wang, Qiaojun Wang, Lixue Yang, Yiren Zhang, Karrar, Hui Zhang, Qingzhe Jin, Gangcheng Wu & Xingguo Wang
食品标签
豆类与坚果(及籽类) 传统热加工 特征风味 感官评价与方法学 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
其他深度学习结构 分类/鉴别/等级评定 定量预测/回归分析 质构/流变/感官数据通过酶解和随后的美拉德反应改善了牛油渣的牛肉风味,并利用人工神经网络对风味进行了预测。研究使用不同的酶制备了五种牛油渣水解物。其中,风味蛋白酶和木瓜蛋白酶联合处理的水解物具有低分子量肽、高水解度和高游离氨基酸含量。研究共鉴定出49种主要化合物,包括醛类、吡嗪类和呋喃类。呋喃和吡嗪是五种牛油渣美拉德反应产物中的主要挥发性化合物,且在风味蛋白酶和木瓜蛋白酶联合处理的美拉德反应产物中其种类和含量均较高。该组美拉德反应产物表现出最佳感官特性。人工神经网络分析表明,多输入单输出模型的性能优于单输入单输出模型,预测准确率高于90%,表明该方法能准确预测美拉德反应产物的感官评价得分。
-
基于非靶向肽组学与化学计量学区分超高温灭菌乳和复原乳
查看原文2022
Food Chemistry
中科院一区JCR一区Dongfei Tan, Hongda Zhang, Sijia Tan, Yi Xue, Man Jia, Xiaoyu Zhu, Huaxing Wu & Gang Chen
食品标签
液态乳 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
机器学习/统计学习 分类/鉴别/等级评定 组学数据本研究采用基于超高效液相色谱 - 四极杆飞行时间质谱联用技术结合化学计量学的非靶向多肽谱分析方法,对超高温灭菌乳与复原乳进行鉴别区分。研究共鉴定出 33 种标志性多肽,这些多肽主要裂解自 β- 酪蛋白与 αₛ₁- 酪蛋白的 C 端或 N 端,由加热作用与蛋白酶水解共同产生。后续的加热强化与贮藏时长试验表明:18 种标志性多肽的含量随热负荷与贮藏时间的增加而上升,另有 15 种多肽仅受热负荷影响。相较于 αₛ₁- 酪蛋白来源的多肽,β- 酪蛋白来源的多肽对热胁迫表现出更高的敏感性。此外,研究还鉴定出 8 种酪蛋白修饰多肽,可作为牛乳热加工工艺的指示标志物。上述鉴定得到的标志性多肽能够有效区分超高温灭菌乳与复原乳,适用于牛乳加热工艺监控与贮藏过程监测。
-
基于新策略开发用于识别和发现抗氧化肽的机器学习预测模型
查看原文2022
Food Control
中科院一区JCR一区Yong Shen, Chunmei Liu, Kunmei Chi, Qian Gao, Xue Bai, Ying Xu, & Na Guo
食品标签
营养与生物功能 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 组学数据解决食品腐败与氧化问题是提升食品品质的关键所在,而多肽是应对上述问题的优良备选物质。本研究以伪氨基酸组成与多肽基序作为输入特征,采用机器学习方法构建抗氧化肽分类模型。其中,基于伪氨基酸组成 - 二肽 - 基序的混合模型(PseAAC-dipeptide-motif)性能最优,其受试者工作特征曲线下面积(AUC)达 0.939,平均精确率为 0.947。研究进一步提高分类阈值,使模型精确率提升至 0.95 以上。随后,研究人员将该模型作为预测工具,从随机多肽数据集中筛选潜在抗氧化肽。根据预测结果,研究合成了 5 种潜在抗氧化肽(PSGK、LKPQ、GRP、QCQ、QGM),并测定其DPPH 自由基清除能力与总抗氧化能力(T-AOC)。实验结果表明,QCQ 肽具有较强的抗氧化活性:在浓度为 125 μg/mL 时,其 DPPH 自由基清除率达 95.52%,总抗氧化能力值为 9.59 U/mg 蛋白。同时,该预测工具可用于挖掘兼具抗氧化功能的多功能多肽。综上,本研究构建的预测模型是筛选抗氧化功能多肽的有效工具。