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
-
面向食品行业的人工智能驱动精密蛋白酶工程
查看原文2026
Trends in Food Science & Technology
中科院一区JCR一区Rina Wu, Jinyu Zhou, Wang Han, Junrui Wu, & Zhishen Mu
食品标签
加工与新加工技术 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 组学数据 合成/仿真数据为主在传统蛋白酶障碍方面的进展,蛋白酶工程的新前沿,包括高效设计定制变体。现代酶工程的一个核心挑战是设计高度高效且适合特定工业应用的蛋白酶。人工智能(AI)现在为这些问题提供了强有力的解决方案。通过整合已建立的策略,如定向进化和理性设计,AI分析酶结构和预测突变结果的能力大大增强了蛋白酶的稳定性和适应性。这种协同作用不仅限于优化,还能够实现新型蛋白酶的从零设计。本综述概述了该能力在食品工业中的重要性,因为以人工智能驱动的设计为更安全、更可持续的生产方法铺平了道路,以满足精确食品生产的需求。这些创新共同代表了提升工业蛋白酶性能和实现可持续生产的重要进展。下一前沿可能涉及人工智能与多组学数据的深度整合,这是拓展蛋白酶应用和改善生物技术食品产品营养质量的必要步骤。多组学与人工智能引导的de novo设计的结合拓展了蛋白酶在食品生物技术中的应用,应对工业流程不断变化的需求,同时提升食品质量和营养价值。
-
人工智能驱动酶工程:从结构预测到从头设计
查看原文2026
Journal of Agricultural and Food Chemistry
中科院一区JCR一区Hongling Shi, Xueyang Bai, Fangyuan Tian, Yangwan Li, Dandan Li, Lunguang Yao, Chuang Xue, & Cunduo Tang
食品标签
营养与生物功能 蛋白质与氨基酸计算机标签
图神经网络 其他深度学习结构 设计/生成与推荐 合成/仿真数据为主人工智能的快速成熟推动了生物催化领域的根本转变,使其从结构分析走向定制酶的指令式设计。本文综述了这一 AI 驱动变革,评估 AlphaFold2 和 CLEAN 等突破如何将蛋白序列与催化性质连接起来,包括动力学参数和底物特异性。文章比较了理性设计策略,重点对比进化引导的再设计与新兴的生成式从头设计范式;在后者中,扩散模型和蛋白语言模型可探索尚未表征的序列空间。通过解析图神经网络和 Transformer 等算法,本文说明其在理解蛋白化学“语法”中的作用。结合工业案例,文章展示了 AI 如何克服稳定性与活性权衡等瓶颈。最后,综述勾勒了自主生物铸造厂和虚拟细胞建模的发展方向,展望工程化生物催化剂被系统整合到复杂代谢网络中的前景,为下一代计算酶学提供路线图。
-
检测和量化牛奶中细菌金属蛋白酶AprX的技术:综述
查看原文2026
Comprehensive Reviews in Food Science and Food Safety
中科院一区JCR一区Aritra Sinha, & Alan L. Kelly
食品标签
液态乳 品质、结构与理化性质 货架期预测与品质劣变动力学 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 定量预测/回归分析 红外/拉曼光谱数据 时序传感器/物联网数据由嗜冷假单胞菌属分泌的耐热金属蛋白酶AprX,是乳制品质量下降的主要原因,特别是超高温 (UHT) 牛奶。本文综述了AprX在牛奶中的检测和定量技术的发展及现状,包括传统的免疫学测定、酶活性测定和凝胶酶图法,以及现代分子方法,如基于PCR的方法、质谱分析和先进的生物传感器技术。高灵敏度系统,包括间接ELISA(检测限 21.0 ng/mL)、多重qPCR和生物传感器平台,提高了在低浓度下检测AprX活性的能力。比较分析从灵敏度、特异性、周转时间、成本、使用便捷性及工业适用性等方面评估了这些方法。本文还讨论了多组学整合、生物传感器微型化以及人工智能驱动的数据解读等新兴方向。通过对现有和新兴工具的批判性评估,本综述支持乳制品科学家和行业利益相关者选择最佳策略,以检测、监测和减轻牛奶及乳制品中与AprX相关的变质问题。
-
食源鲜味肽结构-活性关系的进展:分子基础与受体相互作用综述
查看原文2026
Trends in Food Science & Technology
中科院一区JCR一区Jun Gong, Zi-Xuan Wang, Li Huang, Wen-Yu Lu, Yan-Chao Wu, & Hui-Jing Li
食品标签
特征风味 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 设计/生成与推荐 质构/流变/感官数据背景:鲜味肽作为天然的风味增强剂正在崭露头角,并在降低钠摄入和功能性食品开发中越来越具有相关性。最新证据表明,鲜味感知是由特定肽-受体相互作用和受体构象动力学所决定的,而非仅由简单的成分因素决定。然而,目前的知识仍然零散,限制了将鲜味肽从机制研究合理地转化为工业应用的可能性。范围与方法:本综述从结构-相互作用的视角批判性地审视了鲜味肽研究的最新进展。关键方面包括受体识别的分子决定因素、涉及T1R1/T1R3和CaSR的多受体激活,以及捕蝇草结构域的构象调控。在以过程为导向的背景下评估了准备策略,如酶解、水发酵、美拉德反应改性和协同加工。文章讨论了新兴的计算工具及其当前的方法学局限性。主要发现和结论:越来越多的证据表明,鲜味活性取决于多肽诱导并稳定信号活性受体构象的能力,而不仅仅取决于分子量或氨基酸组成。酶切特异性和针对性的结构改性在决定多肽末端、受体结合方向和感官结果方面起着关键作用。尽管取得了显著进展,但在加工稳定性、定量评估和方法学整合方面仍存在挑战。建立一个综合的"过程-结构-受体相互作用-功能"框架,对于推进鲜味肽的合理设计和工业转化将是至关重要的。
-
利用拉曼光谱结合机器学习检测牛奶中非蛋白氮掺假物
查看原文2026
Food Control
中科院一区JCR一区Zahra Poursorkh, Natalia Solomatova, Hooman Tavakolizadeh, Calum Cole, Sadegh Shokatian, & Edward Grant
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 标准/法规/数据库分析 蛋白质与氨基酸计算机标签
偏最小二乘法 支持向量机 定量预测/回归分析 红外/拉曼光谱数据非蛋白氮化合物掺入牛奶会虚增表观蛋白含量,并带来食品安全风险。本研究构建了拉曼光谱结合机器学习的分析框架,用于检测和定量牛奶中的硫酸铵、三聚氰胺和尿素。研究制备了 200-800 ppm 范围内的单一掺假物和多组分掺假物牛奶样品,并采用非对称最小二乘基线校正、标准正态变量归一化和 Savitzky-Golay 平滑进行光谱预处理。分类阶段使用 UMAP 结合 K 近邻模型,纯牛奶与掺假牛奶二分类准确率为 96%,牛奶、硫酸铵、三聚氰胺和尿素四分类准确率为 93%。定量阶段比较了 PLSR、SVR、GPR、随机森林、GBM 和 XGBoost 模型,其中 SVR 表现最佳,对硫酸铵、三聚氰胺和尿素的 R2 分别为 0.98、0.96 和 0.97,RMSE 分别为 27.4、30.4 和 27.4 ppm。结果表明,拉曼光谱结合机器学习可用于乳品掺假的快速、无损筛查。