用于食品加工的信息学

科学领域:

• 食品科学与技术 食品科学与技术
• 计算生物学 计算生物学
• 公共卫生信息学 公共卫生信息学

背景情况:

• 传统的食品加工分类系统 (例如,NOVA,Nutri-Score) 在主观性和可重复性方面面临挑战,影响研究和政策.
• 现有的框架难以一致评估不同食品加工水平对健康的影响.
• 需要客观,可扩展和数据驱动的方法来分类食品加工.

研究的目的:

• 批判性地评估现有的食品加工分类系统及其局限性.
• 引入和探索新的计算方法,包括机器学习和人工智能,用于食品加工评估.
• 用现实世界的食品成分和描述数据来证明这些先进方法的应用.

主要方法:

• 审查传统的分类框架 (NOVA,营养分数,SIGA).
• 开发和应用一个随机森林模型 (FoodProX),使用营养数据进行连续处理评分.
• 使用大型语言模型 (BERT,BioBERT) 来进行食品描述和成分的语义嵌入.
• 采用多模式人工智能模型来整合来自开放食品事实数据库的结构化和非结构化数据.

主要成果:

• 食品ProX模型成功地推断了加工水平,并从营养数据中生成连续的FPro分数.
• 大型语言模型有效地处理缺失的数据,并从语义上表示用于预测任务的食物信息.
• 多式人工智能模型展示了使用集成数据对食品进行分类的可扩展性,建立了一个新的范式.

结论:

• 计算方法,特别是人工智能和机器学习,在食品加工分类的传统方法上提供了显著的优势.
• 像FoodProX和多式人工智能这样的新方法为食品信息学提供了更客观,可重复和可扩展的工具.
• 这些进展有望改善公共卫生研究,政策制定和有关食品加工的消费者指导.