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 712 条结果
-
利用多目标机器学习方法预测多种味觉感受
查看原文
2024
npj Science of Food
中科院一区JCR一区
Lampros Androutsos, Lorenzo Pallante, Agorakis Bompotas, Filip Stojceski, Gianvito Grasso, Dario Piga, Giacomo Di Benedetto, Christos Alexakos, Athanasios Kalogeras, Konstantinos Theofilatos, Marco A. Deriu & Seferina Mavroudi
食品标签
感官科学与消费者研究 食品成分/消费数据库分析计算机标签
机器学习/统计学习 分类/鉴别/等级评定味觉在引导营养摄入和帮助避免潜在有害物质方面起着关键作用，其通过五种基本味道——甜、苦、鲜、咸、酸来实现。味觉感知源于口腔中味觉受体与化学呈味物质之间的分子相互作用。因此，味觉受体的识别以及随后的味觉感知在很大程度上依赖于食品成分的理化特性。近年来，在开发基于机器学习、利用分子结构对化合物味道进行分类的算法方面取得了一些进展。尽管付出了巨大努力，但在开发能够预测所有基本味道的多类别模型方面仍有很大改进空间。在此，我们提出一种多类别预测模型，旨在区分苦味、甜味和鲜味与其他味觉感受。多类别味觉预测模型的发展，为全面理解与每种基本味道相关的化学属性铺平了道路。它也为整合到不断发展的多感官感知领域开辟了潜力，该领域涵盖视觉、触觉和嗅觉，以整体表征风味感知。这一概念有望为食品的理性设计引入创新方法，包括预先确定特定口味以及设计互补膳食以增强传统药物治疗。
-
高分辨蛋白质组学与机器学习鉴定西西里黑蜂蜜的蛋白质分类标志物
查看原文
2024
Food Research International
中科院一区JCR一区
Giulia Biundo, Matteo Calligaris, Margot Lo Pinto, Danilo D’apolito, Salvatore Pasqua, Giulio Vitale, Giuseppe Gallo, Antonio Palumbo Piccionello & Simone D. Scilabra
食品标签
蜂蜜等天然糖 品质、结构与理化性质 光谱/色谱/质谱等分析方法 蛋白质组学 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 组学数据西西里黑蜂（Apis mellifera ssp. sicula）是一种慢食保护品种，其生产的蜂蜜具有卓越的营养特性，包括高抗氧化能力。本研究采用高分辨率蛋白质组学技术对西西里黑蜂所产蜂蜜进行分析，旨在鉴定能够将其与更常见的意大利蜜蜂（Apis mellifera ssp. ligustica）所产蜂蜜区分开的蛋白质分类标志物。我们在同一地理区域饲养了遗传纯正的西西里黑蜂和意大利蜜蜂，并对它们的蜂蜜蛋白质组进行了分析，以确保蜂蜜中的化学差异仅反映两个亚种的遗传背景，而非植物来源环境的影响。通过使用常用于临床蛋白质组学生物标志物发现的“矩形策略”蛋白质组学方法，我们在不同来源的西西里黑蜂蜂蜜和意大利蜂蜂蜜中验证了差异丰度蛋白质。随后，利用机器学习技术确定了哪些蛋白质在区分这两种蜂蜜时最为有效。该策略成功鉴定出两种蛋白质——漆酶-5和毒液丝氨酸蛋白酶34异构体X2，它们能够完全有效地预测蜂蜜是由西西里黑蜂还是意大利蜜蜂所生产。总之，本研究描绘了西西里黑蜂蜂蜜的蛋白质组图谱，鉴定出了两种相对于意大利蜂蜂蜜的西西里黑蜂蜂蜜蛋白质分类标志物，并证明了矩形策略可用于发现生物标志物以确定食品的真实性。
-
基于高光谱技术的苹果硬度检测方法
查看原文
2024
Food Control
中科院一区JCR一区
Wenjing Gao, Xue Cheng, Xiaohan Liu, Yusheng Han & Zhenhui Ren
食品标签
新鲜水果 质构与流变性质 光谱/色谱/质谱等分析方法计算机标签
机器学习/统计学习 定量预测/回归分析 高光谱/多光谱光谱硬度是衡量苹果品质的关键指标。基于高光谱技术和回归算法构建苹果硬度预测模型，可实现对苹果硬度的快速、无损和高通量检测。本文在Savitzky-Golay平滑（SG平滑）算法的基础上，采用了一种自适应窗口长度的Savitzky-Golay平滑算法（AWL-SG平滑），该算法可根据不同波长处光谱数据的变化率自适应地调整窗口长度。研究中使用SG平滑、AWL-SG平滑、标准正态变量变换（SNV）和多元散射校正（MSC）等算法对原始光谱数据进行预处理，并构建了偏最小二乘回归（PLS）、岭回归（Ridge）和核岭回归（Kernel Ridge）预测模型，以分析不同预处理方法对模型预测精度的影响。结果表明，基于SG平滑和AWL-SG平滑预处理后的光谱数据所建立的预测模型，其性能相较于原始光谱数据有显著提升，其中AWL-SG平滑算法效果最佳。采用AWL-SG平滑预处理光谱数据构建的Ridge模型在测试集上取得了0.8914的决定系数（R²）。此外，研究还采用连续投影算法（SPA）、主成分分析（PCA）和独立成分分析（ICA）等降维算法，对经SG平滑和AWL-SG平滑预处理后的全波段光谱数据进行降维，并在此基础上构建Ridge和核岭回归预测模型。结果表明，SPA和PCA均能进一步提升模型的预测性能，其中PCA效果最优。最终，AWL-SG + PCA + Ridge组合取得了最佳预测效果，在测试集上的R²达到0.9146。
-
基于全基因组与机器学习分析的不同零售鸡肉供应模式中沙门氏菌流行特征研究
查看原文
2024
Food Research International
中科院一区JCR一区
Junhao Peng, Renhang Xiao, Canji Wu, Zexin Zheng, Yuhui Deng, Kaifeng Chen, Yuwei Xiang, Chenggang Xu, Likou Zou, Ming Liao & Jianmin Zhang
食品标签
禽肉 食品安全与风险评估计算机标签
机器学习/统计学习 分类/鉴别/等级评定沙门氏菌是一种引起沙门氏菌病的食源性病原体，零售鸡肉是其重要来源。然而，沙门氏菌在不同零售鸡肉供应模式中的流行情况及其对消费者构成的威胁尚不清楚。本研究利用全基因组测序和机器学习方法，调查了三种零售鸡肉供应模式（活禽、冷冻和冷藏）中沙门氏菌的流行率、血清型分布、抗生素耐药性和基因组特征。2020年至2021年期间，从广州的活禽、冷冻和冷藏供应模式中收集了480份零售鸡肉样本，以及253株沙门氏菌分离株（总分离率=53.1%）。活禽模式中分离株的流行率（67.5%，81/120）在统计学上高于冷冻模式（50.0%，120/240）和冷藏模式（43.3%，52/120）。血清型鉴定显示，不同供应模式中沙门氏菌的血清型分布存在显著差异。S. Enteritis（46.7%）和S. Indiana（14.2%）在冷冻模式中占主导地位；S. Agona（23.5%）和S. Saintyani（13.6%）在活禽中占主导；而S. Enteritis（40.4%）和S. Kentucky（17.3%）在冷藏模式中占主导。抗生素测试显示，冷冻模式分离株的耐药性更强；冷冻模式分离株的多重耐药率高达91.8%，显著高于冷藏模式（86.5%）和活禽模式（74.1%）。对155株主要血清型（S. Enteritidis、S. Kentucky、S. Indiana和S. Agona）进行了全基因组测序。抗生素耐药基因分析表明，冷冻模式沙门氏菌的抗生素耐药基因丰度和变异率（54种，16.1%）显著高于其他模式（活禽：36种，9.4%；冷藏：31种，11.6%）。编码碳青霉烯类耐药性的b/b/g/n/a和b/b/g/n/a基因在冷冻模式分离株的一个由ThAS3-1826组成的复合转座子上被发现。毒力因子和质粒复制子在研究的冷冻模式分离株中含量丰富。此外，单核苷酸多态性系统发育树结果表明，在冷冻供应模式中，S. Enteritidis克隆支系持续污染零售鸡肉，并且与中国农场鸡胚胎、屠宰场鸡胴体以及医院患者中发现的S. Enteritidis菌株同源。值得注意的是，基于泛基因组的机器学习模型显示，冷冻和活禽分离株的特征基因存在差异。narZ基因是冷冻分离株的一个关键特征基因，编码硝酸盐还原酶，与厌氧细菌生长相关。ytgJ基因是活禽模式的关键特征基因，编码与细菌氧化功能相关的氧化还原酶。本研究中活禽模式沙门氏菌的高流行率以及冷冻模式多重耐药沙门氏菌的传播对食品安全和公共健康构成严重风险，强调了改进消毒和冷藏措施以减少沙门氏菌污染和传播的重要性。总之，持续监测不同供应模式中的沙门氏菌以及开发基于全基因组测序的流行病学监测系统是必要的。
-
通过多种仪器结合机器学习对陈年绍兴黄酒香气特征的分析
查看原文
2024
LWT
中科院一区JCR一区
Gongshuai Song, Nengliang Jiang, Liwei Zhao, Zhichu Shan, Danli Wang, Tinglan Yuan, Ling Li, Mingquan Huang, & Jinyan Gong
食品标签
酒精饮料 特征风味 光谱/色谱/质谱等分析方法 风味组学 其他植物化学物质计算机标签
机器学习/统计学习 分类/鉴别/等级评定 红外/拉曼光谱数据 时序传感器/物联网数据老化决定了黄酒的香气品质和经济价值。传统的老化过程很容易导致年轻酒被标注为陈年酒的常见欺诈行为。在本研究中，使用多种仪器和机器学习（ML）相结合的方法，研究了不同年份（3、5、8 和 10 年）绍兴黄酒老化时间对香气特性的影响。随着老化时间的延长，呈现苦、甜、鲜味的游离氨基酸含量增加。酒精含量降低，而醛类、酯类和酮类含量增加。通过机器学习，对挥发物的整体信息进行了最大化和系统分析。机器学习模型的性能通过混淆矩阵进行评估。结果显示，关键挥发性香气化合物（例如:2-苯乙醇、壬醛和异戊醇主导了整体香气特征，并被认为是区分不同年份绍兴黄酒的可靠标志物。
