A comprehensive review on novel synthetic foods: Potential risk factors, detection strategies, and processing technologies
Notice bibliographique
Résumé
Nowadays, the food industry is facing challenges due to the simultaneous rise in global warming, population, and food consumption. As the integration of synthetic biology and food science, novel synthetic foods have obtained high attention to address these issues. However, these novel foods may cause potential risks related to human health. Four types of novel synthetic foods, including plant-based foods, cultured meat, fermented foods, and microalgae-based foods, were reviewed in the study. The original food sources, consumer acceptance, advantages and disadvantages of these foods were discussed. Furthermore, potential risk factors, such as nutritional, biological, and chemical risk factors, associated with these foods were described and analyzed. Additionally, the current detection methods (e.g., enzyme-linked immunosorbent assay, biosensors, chromatography, polymerase chain reaction, isothermal amplification, and microfluidic technology) and processing technologies (e.g., microwave treatment, ohmic heating, steam explosion, high hydrostatic pressure, ultrasound, cold plasma, and supercritical carbon dioxide) were reviewed and discussed critically. Nonetheless, it is crucial to continue innovating and developing new detection and processing technologies to effectively evaluate these novel synthetic foods and ensure their safety. Finally, approaches to enhance the quality of these foods were briefly presented. It will provide insights into the development and management of novel synthetic foods for food industry.
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,004 | 0,001 |
| Bibliométrie | 0,001 | 0,003 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
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 tête enseignante, 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 ».