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LC-MS/MS的代谢组学和感官评价表征正常和腐败干腌火腿的代谢物和质地
查看原文2022
Food Chemistry
中科院一区JCR一区Renyong Liao, Qiang Xia, Changyu Zhou, Fang Geng, Ying Wang, Yangying Sun, Jun He, Daodong Pan & Jinxuan Cao
食品标签
肉类发酵制品 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
偏最小二乘法 分类/鉴别/等级评定 组学数据变质干腌火腿通常会产生令人不悦的滋味与气味。为深入阐明变质火腿不良滋味的形成机制,本研究对比分析了正常火腿与变质火腿的感官属性、质构参数、蛋白质降解程度及代谢物,并采用偏最小二乘判别分析(PLS-DA)进一步探究干腌火腿感官品质与代谢物之间的关联。变质火腿的浓郁度与总体可接受性评分显著降低,其黏附性数值是正常火腿的 12.5 倍以上。变质火腿中肌原纤维蛋白(包括肌动蛋白、肌钙蛋白 - T 与肌球蛋白轻链)发生过度降解。通过液相色谱 - 串联质谱(LC-MS/MS)共鉴定出 42 种主要来源于蛋白质降解的代谢物,PLS-DA 结果表明,氨基酸衍生物与寡肽是区分正常火腿与变质火腿的关键物质。嘌呤代谢、嘧啶代谢与蛋白质降解是变质火腿中的主要代谢通路。
-
基于SWATH-MS质谱和化学计量学的三种商业金枪鱼比较蛋白质组学分析
查看原文2022
Food Control
中科院一区JCR一区Lingping Hu, Hongwei Zhang, Zhiheng Hu, Yaoxian Chin, Xiaomei Zhang, Jianchu Chen, Donghong Liu, & Yaqin Hu
食品标签
鱼肉 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 主成分分析/判别分析 分类/鉴别/等级评定 组学数据受金枪鱼资源枯竭的影响,其制品在加工过程中形态特征逐渐退化,这一现象导致金枪鱼掺假问题日益凸显。如今,金枪鱼的真伪鉴别已成为海鲜供应链中的焦点问题。蛋白质作为金枪鱼肌肉组织中最重要的组成成分,对其品质特性起着关键作用。本研究建立了基于全理论碎裂离子质谱连续窗口采集技术(SWATH-MS) 的蛋白质组学分析方法,对三种市售金枪鱼(鲣鱼、大眼金枪鱼、黄鳍金枪鱼)进行蛋白质相对定量分析,成功实现了 81 种蛋白质的可靠定量。研究人员进一步结合化学计量学方法开展蛋白生物标志物筛选工作,最终筛选出 14 种潜在生物标志物。层次聚类分析结果表明,这些筛选得到的蛋白生物标志物可有效区分上述三种金枪鱼。对筛选出的蛋白生物标志物进行基因本体(GO)功能注释发现,它们大多与分子功能相关。
-
建立法医食品模型用于明胶和棉花糖中猪源掺假物的鉴定和定量
查看原文2021
Food Control
中科院一区JCR一区Muhamad Shirwan Abdullah Sani, Azilawati Mohd Ismail, Azman Azid & Mohd Saiful Samsudin
食品标签
肉类/蛋类与水产品 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 主成分分析/判别分析 分类/鉴别/等级评定本研究旨在将超高效液相色谱 - 二极管阵列检测法(UHPLC-DAD)氨基酸(AA)分析技术,与判别分析(DA)、主成分分析(PCA)等食品溯源分析模型相结合,建立明胶来源的鉴别方法。研究对比多元线性回归(MLR)、主成分回归(PCR)及偏最小二乘回归(PLSR)三种算法,筛选最优模型并实现两大目标:(1)测定非猪源明胶中猪源明胶的掺杂比例;(2)分别测定鱼明胶与牛明胶中猪源明胶的掺杂比例。该分析方法的线性范围为 37.5~1000 pmol/μL,决定系数(R2)达 0.96~1.00,总回收率为 85%~111%。研究以鱼皮、牛皮及猪皮明胶的氨基酸数据为基础,构建训练集、测试集与验证集。判别分析(DA)实现了对鱼、牛、猪三种明胶 100% 的准确分类;主成分分析(PCA)则明确了不同来源明胶的特征性优势氨基酸。其中,非猪源 - 猪源明胶判别模型(NPPDM)与鱼 - 牛 - 猪源明胶判别模型(FBPDM)表现优异,对非猪源 / 猪源明胶的分类准确率达 100%,对鱼、牛、猪三种明胶的分类准确率同样达 100%。模型验证结果显示:采用鱼 - 牛明胶混合训练集(PFBG)时,主成分回归(PCR)模型无法实现非猪源明胶中猪源掺杂成分的定量分析;而以鱼明胶中猪源掺杂训练集(PFG)与牛明胶中猪源掺杂训练集(PBG)为基础时,多元线性回归(MLR)模型的相对误差区间及平均相对误差均低于 PCR 模型,在非猪源明胶掺杂定量分析中表现更优。同理,基于 PFBG 训练集的 PCR 模型无法准确定量鱼明胶和牛明胶中的猪源掺杂成分;而 PFG 训练集对应的 MLR 模型为鱼明胶掺杂定量的最优模型,PBG 训练集对应的 MLR 模型则为牛明胶掺杂定量的最优模型。在实际样品检测中,仅采用 PFG 训练集的 MLR 模型无法实现棉花糖中猪源明胶的定性鉴别,但结合 PFG 与 PBG 双训练集的 MLR 模型可成功完成棉花糖中猪源明胶的定量检测。综上,由于本研究的训练集、测试集及验证集均基于鱼皮、牛皮和猪皮明胶构建,因此 NPPDM 判别模型、FBPDM 判别模型及 MLR 定量模型最适用于这三类明胶的溯源与掺杂分析。本研究期望相关监管机构能够采纳该方法,将其确立为明胶产品来源鉴别的行业标准。
-
利用统计机器学习方法从常规可得的牛奶谱预测牛奶质量特征
查看原文2021
Journal of Dairy Science
中科院一区JCR一区Frizzarin, M., Gormley, I. C., Berry, D. P., Murphy, T. B., Casa, A., Lynch, A., & McParland, S
食品标签
乳及乳制品 其他品质相关性质 光谱/色谱/质谱等分析方法 传统统计分析与回归 蛋白质与氨基酸计算机标签
深度学习 偏最小二乘法 支持向量机 随机森林 主成分分析/判别分析 智能手机/其他 分类/鉴别/等级评定 定量预测/回归分析 红外/拉曼光谱数据 组学数据许多适用于处理高度相关特征的统计机器学习方法(例如那些适用于光谱数据的方法),有可能在预测性能上优于常用的偏最小二乘法。我们获得了来自 622 头已知详细蛋白质组成和技术性状数据的个体奶牛的牛奶样本,并且这些样本还附有中红外光谱。以此来评估不同回归和分类算法的预测能力。基于回归的方法包括偏最小二乘回归(PLSR)、岭回归(RR)、最小绝对收缩和选择算子(LASSO)、弹性网、主成分回归、投影追踪回归、尖峰和薄片回归、随机森林、决策树增强算法、神经网络(NN)以及事后模型平均(MA)方法。此外,我们还使用了几种分类方法(即偏最小二乘判别分析(PLSDA)、随机森林、决策树增强算法和支持向量机(SVM)),并在将感兴趣的性状分类后进行使用。在回归分析中,MA 是 14 个研究特征中 6 个特征的最佳预测方法[60 分钟时的凝乳硬度、αS1-酪蛋白(CN)、αS2-CN、κ-CN、α-乳白蛋白和β-乳球蛋白 B],而 NN 和 RR 分别是 3 个特征的最佳算法(凝乳凝固时间、凝乳硬化时间、热稳定性以及 30 分钟时的凝乳硬度、β-CN 和 β-乳白蛋白 A),PLSR 对 pH 最为适用,LASSO 对 CN 胶束大小最为适用。当将特征分为两类时,SVM 对大多数研究特征的准确性最高。尽管基于 PLSR 的成熟方法表现良好,但将统计机器学习方法应用于回归分析降低了与 PLSR 相比的均方根误差,范围在 0.18%(κ-CN)到 3.67%(热稳定性)之间。使用现代统计机器学习方法从中红外光谱中预测特征可能提高某些特征的预测准确性。
-
抗高血压肽预测器:用于预测潜在 ACE-I 抑制活性食源肽的机器学习网络服务器
查看原文2021
Journal of Agricultural and Food Chemistry
中科院一区JCR一区Gazal Kalyan, Vivek Junghare, Mohammad Farhan Khan, Shivam Pal, Sourya Bhattacharya, Snigdha Guha, Kaustav Majumder, Sohom Chakrabarty, & Saugata Hazra
食品标签
复合/即食/餐饮食品 抗氧化/抗炎等功能 血糖、血脂与代谢相关功能 体外模型 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 合成/仿真数据为主 公开数据集血管紧张素转换酶 I(ACE-I)是肾素-血管紧张素-醛固酮系统中的关键治疗靶点,该系统是血压调节的核心通路。具有 ACE-I 抑制活性的食源肽受到广泛关注,但从不同食品蛋白中识别 ACE-I 抑制肽通常费时、费力且成本高。为更高效地从食品来源中发现潜在 ACE-I 抑制肽,本研究开发并报道了一个基于机器学习和结构生物信息学的网络服务器。该服务器可接收 FASTA 格式序列或 UniProt ID,进行体外模拟胃肠消化,并筛选所得肽段的 ACE-I 抑制活性。该平台还能提供活性肽的结构和功能特征,以及其与 ACE-I 的相互作用信息。因此,该工具有望提升从食品蛋白中识别和表征新型 ACE-I 抑制肽的效率,并降低时间与成本。