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 15 条结果
-
食品风味分析的数据挖掘进展：技术、应用与未来方向的全面综述
查看原文
2026
Journal of Future Foods
中科院一区JCR一区
Qihan Wu, Jiawen Yuan, Jie Zhou, Shuai Yu, Xing Xin, Jin Liu & Xiaohui Cui
食品标签
风味组学计算机标签
机器学习/统计学习 深度学习 大模型与 LLM 知识抽取与语义理解 组学数据 文本/知识库/法规数据 多模态/融合数据 公开数据集在食品风味研究领域，存在大量源自风味组学、专业数据库以及社交媒体的结构化与非结构化数据。为从各类异构数据源中高效提取有价值信息并推动其合理应用，学界已开展大量数据挖掘相关研究。本文系统梳理了数据挖掘技术在食品风味领域的应用现状，归纳了多种多元数据处理方案。文章梳理了当前风味组学领域的各类研究成果，介绍了可解决数据集样本量小、人工数据整理流程繁琐等难题的数据预处理方法。此外，本文总结了依托人工智能与大语言模型搭建的新型技术手段，阐释了其在风味分子预测、配方研发方面的应用前景。最后，本文探讨了数据挖掘技术应用于风味研究所面临的挑战与发展机遇。
-
智能体即所需：开创性地将代理人工智能应用于乳品科学以拥抱大型语言模型
查看原文
2025
Journal of Dairy Science
中科院一区JCR一区
E. Liu, H. Yang, S. Sharma, M.B. van Leerdam, P. Niu, M.J. VandeHaar, & M. Hostens
食品标签
乳及乳制品 感官科学与消费者研究计算机标签
大模型与 LLM 分类/鉴别/等级评定 知识抽取与语义理解 文本/知识库/法规数据 多模态/融合数据 超大规模/工业级数据集大型语言模型（LLM）在推动乳品科学领域的发展方面具有巨大潜力，能够提升研究解读能力、辅助决策制定以及促进知识传播。然而，若缺乏系统的规划设计，LLM 可能会针对特定领域的问题生成不相关或事实性错误的回答。此外，现有的大多数 LLM 及相关工具并未针对乳品领域的需求进行定制，这限制了它们在该领域的实际应用。为了展示在乳品科学中采用 LLM 的可行性和实际价值，我们开发了一个由两个部分组成的自主系统：（1）一个基于《乳品科学杂志》（JDS）的决策支持聊天机器人，用于提供基于科学的见解；（2）一个自然语言接口，用于与学术模型进行交互并可视化预测结果。我们使用 PubMed 应用程序接口收集了自 1917 年以来所有公开可用的 JDS 抽象及其相关元数据，形成了一个科学知识库，使聊天机器人能够回答用户的问题。实施了一种检索增强的生成框架，以确保由 LLaMA（由 Meta 开发的大型语言模型）生成的回答能够与同行评审的文献紧密相关，并且每个答案都会引用 5 个最相关的来源。为了处理超出 JDS 文献范围的问题，系统中加入了网络搜索代理，从外部在线资源中检索补充信息。由 DBRX（由 Databricks 开发的大型语言模型）驱动的评分代理被纳入系统，以评估由大型语言模型生成的内容的可信度和相关性，以降低错误信息或幻觉性回答的风险。系统的第二个组成部分促进了与 MilkBot 的自然语言交互，MilkBot 是一个已发布的基于贝叶斯的产奶量预测模型。用户以通俗的语言提交问题后，系统会将问题转换为 MilkBot 的模型参数，执行模型预测，并使用预测输出生成可视化结果。这项工作展示了大型语言模型作为针对特定奶制品模型的直观、用户友好界面的能力。据我们所知，这是首个将来自科学文献、网络资源和学术模型的大量信息整合在一起，并具备自我评估能力的聊天机器人原型。它能够为学者、顾问和农民提供有关奶制品的具体见解。然而，要实现语言模型辅助决策的全部价值仍面临一些挑战，例如缺乏针对特定地区的数据以使答案适应当地情况，需要更强大的措施来保护数据安全和隐私，以及需要整合更多功能以实现更全面的决策支持。
-
基于基础模型和迁移学习的肽段转运预测、分子味觉分类与视觉纹理分析
查看原文
2025
Innovative Food Science and Emerging Technologies
中科院一区JCR一区
Yizhou Ma, Qing Ren, Kasper Hettinga & Vincenzo Fogliano
食品标签
蛋白质配料 品质、结构与理化性质 蛋白质与氨基酸计算机标签
大模型与 LLM 迁移学习/领域自适应 分类/鉴别/等级评定基础模型为食品科学中通过迁移学习建模符号与图像数据提供了强大工具。本研究展示了三个应用案例，说明经过预训练的基础模型如何改进实验食品科学数据中常见的预测任务。首先，利用“Evolutionary Scale Model Cambrian”蛋白质语言模型的嵌入表示，基于氨基酸序列对山羊奶源肽的Caco-2单层细胞转运能力进行分类，所得模型准确率达到0.89，优于传统的肽嵌入方法。其次，应用“MolFormer”化学语言模型预测小分子的味觉（甜、苦、鲜），准确率达到0.99，超越了基于化学信息学的模型。第三，使用视觉Transformer模型（“Contrastive Language-Image Pre-training”）提取的图像嵌入表示预测植物基肉类似物样品的纤维性。该方法改进了先前的自动化图像分析，并成功处理了外观复杂的样品。这些案例表明，基于基础模型的迁移学习能够为食品科学应用构建准确且可扩展的预测模型。迁移学习方法支持蛋白质、化学和图像数据的整合，为食品科学中多样化的实验数据分析提供了一个统一框架，并有望加速新食品设计和预测性食品制造的创新。
-
儿童和人工智能能否成为基于全食物利用的学校餐食准备灵感来源？
查看原文
2025
Food Quality and Preference
中科院一区JCR一区
Fabrício Goulart, Voltaire Sant’Anna, Valérie L. Almli, & Gabriel Tolotti Maschio
食品标签
水果/蔬菜与菌菇类/植物类 感官科学与消费者研究 问卷/市场与消费者研究 其他方法计算机标签
大模型与 LLM 分类/鉴别/等级评定 文本/知识库/法规数据让孩子们参与学校膳食的制定工作，对于培养他们养成健康和可持续的饮食习惯非常重要。而充分利用食物资源则是避免食物浪费并增加营养摄入的有效方法。此外，人工智能（AI）已被证明是一个富有新创意的有趣来源，但尚未被用于设计儿童膳食。本研究的目的是评估由孩子们共同设计的膳食或由人工智能生成的膳食的潜力，并探究家长对于在孩子膳食中使用全食物的看法。在父母的潜在支持下，孩子们提出了利用全水果/蔬菜的食谱建议，随后由营养学家和学校厨师对这些建议进行了筛选。所选定的膳食与基于简单提示由 ChatGPT 生成的类似食谱在受欢迎程度和引发的情绪方面进行了比较。这两道菜都是胡萝卜派的变体，都由经验丰富的学校厨师制作。学校厨师还提出了第三道食谱作为对比。通过句子填空的方法，我们探究了家长们对于将全食物引入孩子饮食的看法。结果表明，孩子们既喜欢自家的食谱，也喜欢厨师们的食谱，但拒绝了 ChatGPT 提出的食谱。两位厨师和孩子们制作的胡萝卜派都引发了积极的表情符号组合，而 ChatGPT 制作的胡萝卜派则与带有负面含义的表情符号相关联。质地和陌生的味道被认为是导致拒绝的原因。对于家长们来说，将全水果/蔬菜引入孩子的饮食中被视为一个有益且营养丰富的想法，但同时也暴露出了安全方面的担忧。这项工作展示了与学校儿童共同设计以及全食物的利用作为减少营养资源浪费的可行策略。此外，该研究报告了通过任务导向的提示对 ChatGPT 的探索性使用未获成功。这可能表明在向人工智能提示时明确任务的背景非常重要，以弥补人类所隐含具备的背景信息。关于安全方面的担忧应当得到解决，以确保家长支持在学校餐中使用全蔬菜。
-
机器学习技术在风味预测与分析中的综述
查看原文
2025
Trends in Food Science & Technology
中科院一区JCR一区
Ikechukwu O. Osinomumu, Umesh Reddy, Gianfranco Doretto & Donald A. Adjeroh
食品标签
感官评价与方法学 光谱/色谱/质谱等分析方法计算机标签
大模型与 LLM 支持向量机 随机森林 K-近邻 卷积神经网络 循环神经网络 生成对抗网络 图神经网络 分类/鉴别/等级评定 组学数据背景：风味预测——即通过挥发性和非挥发性化合物对化合物的感官特征进行计算评估——在食品、饮料、香料和制药行业的创新中变得日益重要。气相色谱-质谱联用（GC-MS）和感官评价等传统方法仍有价值，但在可扩展性、主观性和成本方面存在局限性。由受体-配体相互作用介导的味觉感知，从根本上塑造了风味的多感官体验。
范围与方法：本综述探讨了应用于风味预测的多种机器学习（ML）和深度学习（DL）方法，对它们在甜味、苦味、鲜味/厚味、辛辣味以及多类别味觉预测中的性能进行了基准测试。内容涵盖传统的机器学习算法（支持向量机、随机森林、K近邻算法）和先进的深度学习模型（卷积神经网络、循环神经网络、生成对抗网络和大型语言模型），并额外关注混合策略和集成策略。特别强调了分子表征（简化分子线性输入规范、SELFIES、分子指纹）、多组学数据（基因组学、蛋白质组学和代谢组学）的整合以全面理解风味形成、基因型-表型-风味关系，以及味觉受体信息在提高模型可解释性方面的关键作用。
主要发现与结论：模型性能因味觉模式而异：梯度提升模型和共识模型在甜味预测中表现出色，支持向量机和图神经网络在苦味预测中表现突出，卷积神经网络与图神经网络的混合模型在多类别分类中效果较好。旨味和鲜味预测受益于图神经网络嵌入、iUmami-SCM以及经过实验验证的基于Transformer的模型，而辛辣味预测——尽管研究不足——通过集成模型和结合量子化学的特征显示出良好前景。挑战依然存在，包括高质量数据集有限、对新分子的欠拟合以及深度学习中的可解释性差距。SELFIES和受体-配体感知模型（如BitterX、BitterTranslate、KokumiPD）等进展通过确保结构有效性和增强机制洞察力，解决了这些问题。
意义与创新性：本综述确定了可解释人工智能、物联网驱动的数据收集、多组学融合、分子表征和混合建模等未来发展方向，为下一代食品、香料和制药创新中可扩展、可解释的风味预测提供了路线图。
