Virtualization of foods: applications and perspectives toward optimizing food systems
Notice bibliographique
Résumé
Food production cannot be decoupled from human and planetary wellbeing. Meeting safety, nutritional, sensorial, and even price requirements entails applying an integral view of food products and their manufacturing and distribution processes. Virtualization of food commodities and products, i.e., their digital representation, offers opportunities to study, simulate, and predict the contributions of internal (e.g., composition and structure) and external factors (e.g., processing conditions) to food quality, safety, stability, and sustainability. Building virtual versions of foods requires a holistic supporting framework composed of instrumental and computational techniques. The development of virtual foods has been bolstered by advanced tools for collecting data, informing and validating modelling, e.g., micro-computed tomography, to accurately assess native food structures, multi-omics approaches, to acquire vast information on composition and biochemical processes, and nondestructive and real-time sensing, to facilitate mapping and tracking changes in food quality and safety in real-world situations. Comprehensive modeling techniques (including heat and mass transfer, thermodynamics, kinetics) built upon physic laws provide the base for realistic simulations and predictions of food processes that a virtual food might undergo. Despite the potential gaps in knowledge, increasing the adoption of food virtualization (data-based, physics-based or hybrid) in manufacturing and food systems evaluation can facilitate the optimal use of resources, the rational design of functional characteristics, and even inform the customization of composition and structural components for better product development. This mini-review focuses on critical steps for developing and applying virtual foods, their future trends, and needs.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,002 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,003 | 0,003 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,006 | 0,002 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».