今天给大家介绍一篇由Tseng等人，于2023年4月发表在ACS Omega上的（JCR分区：4.132/Q2）一篇综述性文章。该综述重点介绍了一些著名的食品数据库的主要内容、接口、其他基本特征以及一些最常见的机器学习和深度学习方法。此外，还列举了一些与食品数据库相关的研究作为例子，展示了它们在食品搭配、食品−药物相互作用和分子建模中的应用。基于这些应用的结果，预计食品数据库和人工智能的结合将在食品科学和食品化学中发挥重要作用。
摘要
随着食品化学和营养学的发展，人们越来越关注食品的组成以及饮食与健康的关系。值得注意的是，营养指导和选择健康饮食的教育项目比以往任何时候都更受重视。此外，针对某些疾病的具体营养需求也是最近的重点。
从第一个食品数据库问世以来，食品数据库已经变得更加多样化，包括食品成分数据库、食品风味数据库和食品化学化合物数据库。这些数据库提供了有关各种食品化合物的营养成分、风味分子和化学性质的详细信息。随着人工智能（AI）在各个领域的普及，AI方法也可以应用于食品行业研究和分子化学。机器学习和深度学习是分析食品数据库等大数据来源的宝贵工具。在过去的几年里，用人工智能概念和学习方法研究食物成分、风味和化合物的研究已经出现。
主要亮点
重点总结了将人工智能应用于食品和药物研究，以提高研究人员对这些领域的理解和应用。
图文赏析
图1.食品大数据
注：此图形是用BioRender.com创建
图2.食品数据中机器学习和深度学习的概念
结论
随着许多食品成分和食品化合物数据库的建立，机器学习和深度学习方法正成为有效分析大数据集的有价值的工具。除了更好地了解食品成分和化合物的化学和药理特性外，综述结果表明，可以使用更有效的解决方案来解决食品搭配、药物相互作用和分子建模等问题。这些应用可以促进食品科学和食品化学的进一步发展。
参考文献：
Tseng YJ, Chuang PJ, Appell M. When Machine Learning and Deep Learning Come to the Big Data in Food Chemistry. ACS Omega. 2023 Apr 25;8(18):15854-15864. doi: 10.1021/acsomega.2c07722. PMID: 37179635; PMCID: PMC10173424.
长按关注我们
微信号｜FoodAI
原创文章，作者：ifyoung，如若转载，请注明出处：https://www.drugfoodai.com/acs-omega-bigdata-infood.html
注意：本站原创指的是原创编译，并不主张对所介绍的工作的版权，如有侵权，请联系删除！
微信扫一扫 
支付宝扫一扫 相关推荐
-
人工智能从科学文献和媒体报道中检测未知兴奋剂推文
今天介绍一篇由Anand K. Gavai等人于2021年在Food Control上发表的文章。文中提出了一种方法用机器学习来检测在保健品中未知的兴奋剂。从两个不同的数据来源中确定了20种新的兴奋剂，分别是用单词嵌入模型从科学文献中自动发现未知兴奋剂，以及基于文本挖掘在万维网上搜索新闻报道来收集新的兴奋剂。
-
Food Chem：基于机器学习和智能手机图像分析的四环素荧光检测
今天介绍一篇由伊朗德黑兰大学新科学与技术学院生命科学工程系的Maryam Mousavizadegan等人于2022年10月发表在Food Chemistry（IF=9.231）上的文章。文中使用机器学习（ML）算法开发了一种快速检测四环素（TC）的方法。
-
海南大学食品科学与工程学院王露课题组：鹧鸪茶中天然α-葡萄糖苷酶和α-淀粉酶抑制剂的筛选和鉴定及分子对接分析
该研究调查了鹧鸪茶提取物对α-葡萄糖苷酶和α-淀粉酶的抑制作用，测定鹧鸪茶提取物的总酚、黄酮含量及其对α-葡萄糖苷酶和α-淀粉酶的抑制效果，并通过HPLC-ESI- qTOF-MS/MS和亲和超滤筛选鉴定其起主要抑制作用的物质及含量；利用3T3-L1细胞测定鹧鸪茶提取物对其吸收葡萄糖的影响。最后，通过分子对接分析进一步阐明了这些抑制剂对α-糖苷酶和α-淀粉酶的可能作用机制。研究表明，鹧鸪茶是一种可应用于预防和改善餐后高血糖症状的天然代用茶资源。
-
TRENDS FOOD SCI TECH|光谱技术结合深度学习方法在食品品质检测中的应用
浙江大学生物系统工程与食品科学学院应义斌教授课题组在食品顶级期刊《Trends in Food Science & Technology》发表综述《Food and agro-product quality evaluation based on spectroscopy and deep learning: A review》。该文讨论了传统化学计量学方法在提高模型性能、处理复杂结构的光谱噪声以及全局回归、局部回归和模型传递上的一些局限性。
-
利用卷积神经网络和多项式校正法测定食用植物油中山嵛酸的人为差异的反射光谱法
今天给大家介绍一篇由安徽大学农业生态大数据分析与应用技术国家地方联合工程研究中心翁士状副教授为第一作者，翁士状副教授与李新华副教授为通讯作者，于2022年1月15日发表在Food Chemistry（IF=7.514）上的一篇研究性文章。该文章提出了一种新的多项式校正方法——自适应多项式校正( OAPC )，校正具有操作差异的反射光谱,并利用卷积神经网络( CNN )建立分析模型预测食用油中的山嵛酸。该方法可以减少不同操作者对光谱分析的差异影响,从而有可能纠正测量仪器或环境的带来的差异。
-
机器学习预测新兴污染物在植物中的吸收和转移：对食品安全的影响
今天介绍一篇由来自美国密苏里科技大学的Majid Bagheri等人发表在Science of the Total Environment上的一篇文章。文中使用神经网络和模糊逻辑，通过根部浓缩系数（RCF）和果实浓缩系数（FCF）测量植物根部和可食部位中污染物的积累。
-
稳定同位素和生物元素辅助含硫化合物的中国大蒜产地溯源
该研究对我国六个省或主要产区栽培的大蒜样品进行了稳定同位素（δ13C、δ2H、δ18O、δ15N和δ34S）、生物元素含量（%C、%N和%S）和含硫化合物（8种含量硫成分和2种氨基酸）的表征。并利用这些特征建立了两种模式识别模型（PLS-DA和k-NN），为鉴定我国大蒜的起源提供了一种有用的方法。
-
机器学习技术在食物摄入量评估中的应用
天给大家介绍一篇由Larissa Oliveira Chaves等人，于2021年7月29日上发表在Food Science and Nutrition（IF=11.171）的一篇综述性文章。该综述使用5个计算机数据库进行文献搜索，旨在确定使用ML算法评估不同人群食物摄入量的研究。
-
中科院计算所蒋树强研究员团队IEEE TPAMI(24.314)高分论文：大规模食品图像识别
本期分享中科院计算所蒋树强研究员团队和美团合作发表于IEEE TPAMI2023的研究工作“Large Scale Visual Food Recognition” (Weiqing Min, Zhiling Wang, Yuxin Liu, Mengjiang Luo, Liping Kang, Xiaoming Wei, Xiaolin Wei, Shuqiang Jiang*) 。IEEE TPAMI全称为IEEE Transactions on Pattern Analysis and Machine Intelligence, 是模式识别、计算机视觉及机器学习领域的国际主流期刊，2022年公布的影响因子为24.314。
-
静态顶空-气相色谱-离子迁移谱(SHS-GC-IMS)结合机器学习技术对长相思葡萄酒的质量等级预测
该研究将静态顶空-气相色谱-离子迁移谱（SHS-GC-IMS）技术首次应用于葡萄酒香气分析，通过预测模型将香气化学与葡萄酒感官质量分级联系起来。对6种机器学习模型进行了比较，结果表明人工神经网络(ANN)的预测精度最高，达到95.4%。
