《食品科学》：宁波大学张鑫副教授、刘亚楠副教授等：人工智能算法在抗菌肽预测领域的应用

抗菌肽（AMPs）是一大类天然化合物，凭借其对细菌、真菌、病毒和原生动物的广泛抗菌活性而闻名，具有高效、低毒、广谱的抗微生物活性的优点，且基本无耐药性问题。并且，AMPs广泛存在于自然界，植物、细菌、真菌和真核细胞群都可以产生AMPs。

传统识别AMPs的方法通过生物实验来进行，整个过程工作量大、效率低、耗时费力、成本高昂。利用人工智能技术，研究人员可以预测肽的抗菌和溶血特性，从而设计出具有高抗菌活性和低细胞毒性的抗菌肽序列。利用高通量筛选技术，人工智能还可以从大量的肽序列中快速筛选出最有希望的候选序列，极大地推动了AMPs的研究、开发和应用，为抗生素耐药性问题提供了新的可能解决方案。

宁波大学食品科学与工程学院的钱宇辰、张鑫*、刘亚楠*等综述人工智能算法在AMPs预测中的应用策略，旨在为AMPs的鉴定、研发与优化开辟新视角。人工智能在AMPs领域的运用不仅能显著提升新型AMPs的发现与改良效率，还能借助强大的数据分析与模式识别能力，揭示前所未见的生物活性关联，为应对食品安全的全球挑战提供创新且高效的方案。

1人工智能方法解决AMPs筛选难题

AMPs种类丰富且易于合成，已被公认为是有广泛应用前景的抗菌化合物，用于食品保鲜以抑制微生物生长。AMPs主要作用于细菌细胞膜，其与细胞膜主要存在两种相互作用方式，分别是静电相互作用及受体介导相互作用。部分AMPs可通过膜蛋白受体介导与细胞膜相结合，影响膜内外物质转运、细胞识别等生物功能，从而损坏细胞膜的完整性及形态以达到杀灭细菌的作用。

尽管AMPs被视为抗生素的有力候补，但目前仍然存在许多的限制阻碍AMPs的真正应用。例如，抗菌活性低、生物易降解、细胞毒性、特异性差等，这些因素限制了它们临床的应用和发展。与小分子化合物相比，多肽易发生脱酰氨、氧化、水解、消旋等反应，导致一级结构被破坏，多肽还易被体内的蛋白酶等水解，在体内还会通过靶点介导被消除。多肽通过一定的空间结构发挥作用，一级结构的破坏一定程度上会影响其效果。目前发现的AMPs数量相比于庞大的组学数据微乎其微，新型AMPs序列的开发空间相当广阔。伴随高通量测序技术的发展和测序成本的持续降低，产生了海量的测序数据，人工智能方法可以从数百万种候选AMPs中快速筛选和鉴别潜在的具有生物活性的肽段，提高筛选AMPs的效率和准确度。人工智能预测AMPs的一般性流程包括数据集建立、特征表示、模型预测、模型评价等部分（图1）。

AMPs的多种功能，如抑菌活性、细胞毒性和溶血活性等，都受到诸如净电荷、肽链长度、氨基酸构成、疏水特性以及空间结构等多种理化因素的调控。基于氨基酸物理化学属性的特征表达方法在各类蛋白质预测研究中已经得到广泛应用。在利用人工智能算法筛选AMPs的过程中，关键就在于构建一个包含了AMPs和非AMPs的理化特性的训练数据集。目前已经有很多软件包被开发出来，诸如propy、modlAMP、ChemoPy、peptides等，它们都可以根据多肽的一级结构（即序列）计算得出一系列描述符。这些描述符反映了多肽的物理或化学信息，如疏水性、体积、电荷和表面能。正是由于这些物化属性的差异，使得各种不同的多肽在功能上存在着较大差异。经过理化特性数据集不断的训练，模型得到持续优化完善，最终能以较高的准确率预测AMPs。

2AMPs模型训练数据的构建

随着生物学实验和生物信息学的发展，越来越多的AMPs数据累计，国内外的科研者们构建了许许多多的AMPs数据库。而人工智能算法的表现很大程度上取决于训练数据的构成。各类数据库中海量的AMPs信息各有侧重，应用于人工智能算法搭建的模型，可以应对不同需求的AMPs预测任务。常见的AMPs数据库如表1所示。

APD3、ANTIMIC、CAMP、DAMPD等AMPs综合数据库是AMPs数据库的主流。这些综合数据库不仅覆盖了多种类型活性的AMPs，数据量丰富，而且提供了较充足的多肽相关信息和功能。它们通常会记录AMPs的氨基酸序列、物理化学性质、抗菌性能、来源等注释信息，大部分都提供了AMPs查询、预测、序列比对的服务。APD3和DBAASP等都额外提供了多肽对于某些菌种的活性以及溶血活性。其中，DBAASP可以通过特定目标物种搜索肽的活性，对于AMPs活性的预测工作十分有帮助。StraPep收录了生物活性肽以及它们的详细结构信息。ANTIMIC是收录了包含已知的和假定的AMPs的综合数据库。DAMPD作为其更新和替代品，为了方便AMP分析，还提供了BLAST、ClustalW、SignalP、AMP预测器等许多工具以及提供有关结果的附加信息的许多其他资源。

与综合数据库相比，专题数据库更注重某些特定来源或者功效的AMPs，数据规模相应会更小。但是这些专题数据库凭借专一性的优势，可以在特定的研究领域起到强大的作用。MBPDB包括所有已知的来自任何物种的牛奶蛋白的生物活性肽，MilkAMP数据库提供有关乳制品AMPs的微生物学和理化数据信息。此外还有诸如专注于植物源抗真菌肽的PlantAFP、研究抗肿瘤肽的CancerPP，以及针对抗病毒肽的AVPdb等等。这些专题数据库为各自专注的研究方向提供了便利且充分的数据参考。

在人工智能算法领域，训练模型通常需要正样本（即AMPs）和负样本（即非AMPs）的数据集。阴性数据（负样本）是训练过程中不可或缺的一部分，它们帮助模型学习到哪些特征不是AMPs所具有的，从而增强模型的判别能力。而由于没有专门建立的阴性AMPs数据库，研究者们也有不同的阴性数据选择方法。例如，Yan Jielu等通过程序来生成所需量的多肽序列。Li Changjiang、Singh等则都在通用蛋白资源数据库UniProt（https://www.uniprot.org/）中，通过设定一些限定条件，如特定长度范围、经SwissProt审查等，并将与抗菌药物相关的条目，如抗菌、抗生素、抗细菌、抗真菌和抗病毒等过滤掉，得到想要的阴性数据集。之后还要剔除含非天然氨基酸的序列，降低模型学习以及合成验证的难度。非天然氨基酸包括：B（可代表天冬氨酸或天冬酰胺）、J（可代表亮氨酸或异亮氨酸）、O（吡咯赖氨酸）、U（硒半胱氨酸）、X（可代表任意或未知氨基酸）、Z（可代表谷氨酸或谷氨酰胺）。最终，通过CD-HIT，将序列的相似性降低到想要的阈值之下，避免模型学习到过多的某种不重要的特征。

3人工智能算法模型在AMPs预测中的多元化应用场景

1

3.1 经典机器学习算法模型

随着机器学习算法迅速发展，目前已经有许多表现优异的机器学习模型被用于AMPs预测。这些经典的机器学习算法模型包括随机森林（RF）、支持向量机（SVM）、K-邻近（KNN）、模糊K最近邻（FKNN）、决策树（DT）、极端梯度增强（XGBoost）、逻辑回归（LR）、朴素贝叶斯（NB）、隐马尔可夫模型（HMM）等。这些算法利用多肽的物理化学和结构特征，包括疏水性、净电荷、等电点、氨基酸组成等预测其生物活性（图2）。例如，IAMPE采用了多种经典机器学习算法，结合了氨基酸的核磁共振谱的特异性，以及它们的物理化学特征来识别肽的活性。虽然分类器的整体性能并不比物理化学特征训练的分类器好，但它们的组合产生了更合适的AMP预测机制。在以上诸多的算法模型中，被较多研究者最终用于预测AMPs的是RF和SVM模型。

RF算法通过构建多个DT并将它们的预测结果进行汇总来提高整体模型的准确性和鲁棒性。在DT的每个分裂节点上，RF不是考虑所有可能的特征，而是随机选择一部分特征作为候选分割特征。每棵树在不同的数据子集上训练，且分裂时只考虑部分特征，降低了模型的过拟合风险。而且，每棵树的构建是相互独立的，因此RF可以并行化计算，训练速度快。AMP-GSM通过将物理化学、语言、序列和基于结构的特征放入不同的组创建分组，并根据它们区分是否为AMPs的能力打分，最后利用RF分类器进行建模达到最佳分类效果。此外，RF算法对复杂相互作用的数据分类能力较强，能够评估各个特征对预测结果的影响，十分适合AMPs预测这样涉及大量生物数据的任务。

SVM算法的主要目的则是寻找一个超平面来对样本进行分割，使得它到两类样本中最近点的距离（即间隔）最大，使得不同类别的样本在平面的两侧。当训练样本线性不可分时，SVM可以通过引入核函数将输入数据映射到高维特征空间，使其在高维空间中线性可分。AMPs预测过程中，通常会处理一些非线性的数据，且这些特征类型复杂，常常出现高维的特性，而SVM正好适合处理这样的数据类型。Zhang Jin等根据定量结构-活性关系，以预测最小抑制浓度（MIC）为描述符，集成了一个基于SVM算法的精确抗真菌肽分类模型和针对特定目标真菌的4 种活性预测模型，以生成的“抗真菌指数”为肽提供排序，筛选出高效新型的抗真菌肽。

1

3.2 深度学习算法

传统的机器学习方法需要对底层机制有全面的了解，才能准确地选择最合适的特征。深度学习是一种先进的机器学习方法，使计算机能够自动从原始数据中提取、分析和理解有价值的信息。这种方法能够识别包含最重要信息的特征，同时忽略不太相关的参数，具有多种架构，例如，递归神经网络（RNN）、卷积神经网络（CNN）、人工神经网络（ANN）、长短期记忆（LSTM）、注意力（Attention）等（图2）。sAMPpred-GAT预测器通过预测的肽结构、序列信息和进化信息构建图，随后在此图上运用图注意网络学习具有去区分性的判别特征。最终，采用全连接网络作为输出组件预测肽是否为AMPs。

RNN通过一些事件把这些特征更新到模型隐藏层的状态中，再利用这些特征不断循环地预估算出该事件后面应产生的结果，所以它被命名为循环神经网络。Deep-AmPEP30便基于CNN开发，筛选了光假丝酵母的基因组序列，寻找并鉴定到的肽对枯草芽孢杆菌和副溶血性弧菌具有很强的抗菌活性。Diff-AMP则基于CNN进行多属性预测，并采用基于强化学习的迭代优化策略来产生不同的AMP。AMPs-NET是一个将每个肽编码为图的卷积网络，用于分辨抗菌活性。在这个图中，一个节点代表一个原子，每个节点的特征向量由9 个元素组成，包括电荷和芳香性等属性。

CNN在实际学习应用的开发过程中，删除了人工特征提取的过程，能够隐式地从受过训练的数据中自动获得这些特征。与其他用于深度学习中的模型网络相比，CNN的模型神经元之间的相互连接并非完全连接，并且同一层网络中的每个模型神经元之间也同样存在着权重的相互共享，这两个共同特点可以直接使CNN的神经网络与生物学的神经网络更加相近，同时大大降低了学习模型的操作复杂度。CACPP基于CNN和对比学习的深度学习框架，仅根据序列提取特征就可以准确预测抗癌肽。

LSTM本质上属于在循环神经网络结构进行二次开发的衍生产品。LSTM其实是一种特殊的RNN网络，可以更好地处理长序列数据。为了解决RNN的缺陷，LSTM在RNN的基础上添加了一组存储单元，存储单元可以允许网络丢弃历史信息，使用新的有用信息更新存储单元。Wang等通过构建LSTM生成模型和双向LSTM分类模型，设计对大肠杆菌具有潜在抗菌活性的AMP短序列。

当然，深度学习算法之间、与机器学习算法结合，也都是提升AMPs预测效果的好方案。例如，Huang Junjie等利用XGBoost算法进行判别和排序，接着结合LSTM进行回归任务，一步步筛选出理想的AMP。再如，AMPpred-MFA在双向LSTM网络和CNN的基础上，利用了多特征和多头注意机制，形成一种可靠和有效的理解和预测AMP的方法。

1

3.3 迁移大语言模型的算法模型

深度学习方法需要大量的训练数据集和复杂的架构设计。然而，这些挑战可以通过实施迁移学习策略克服（图2），迁移学习策略利用来自其他任务的预训练模型。基于迁移学习的抗真菌肽（AFP）预测器，如Deep-AFPpred，采用了利用SeqVec预训练模型的深度神经网络。在这种方法中，肽序列被转化为每残基嵌入，随后通过一系列卷积、池化、循环和密集层进行处理。最终，所得模型对最大长度为30 个残基的肽表现出优异的性能。蛋白质语言模型是一种特殊类型的神经网络，它具有根据前面的文本预测后续字符或词汇的能力，并作为一种迁移学习工具在生物化学领域得到了应用，AFP-MFL便是一个例子。它首先构建了AFP的综合特征概况，包括从预训练的蛋白质语言模型中获得的上下文语义信息、进化信息和物理化学性质。随后，利用共同注意机制将语境语义信息与进化信息和物理化学性质信息分别进行整合。AMPDetector则将蛋白质语言模型与经典机器学习方法相结合，并在此基础上集成了21 个模型的Python库，用于抗微生物、抗细菌活性和抗病毒等各种生物活性类型的分类，平均精度超过83%。从概念上讲，迁移学习可以设想为利用已经为特定任务训练过的神经网络，其中负责分类的最后一层被删除，同时保留负责特征提取的初始层。然后可以添加新的层来构建适合不同任务的新模型。

现有研究表明，蛋白质语言模型在多个下游预测任务中取得了良好的结果。然而，不同的蛋白质语言模型是使用不同的训练数据集开发的，导致每个模型对蛋白质表示的强调程度不同。因此，单个蛋白质语言模型可能存在蛋白质表示不完整的问题。然而随着基于Transformer的自然语言模型的引入，例如Transformer的双向编码器表示（BERT），从自由文本中提取信息的性能在一般领域和医学领域都得到了显著提高。例如（表2），UniproLcad为了克服单一蛋白质语言模型固有的蛋白质表示不完整的问题，集成了3 种著名的蛋白质语言模型——ESM-2、ProtBert和UniRep，以获得更全面的蛋白质特征表示。UniproLcad利用深度学习网络，包括双向长短时记忆网络（Bi-LSTM）和一维卷积神经网络（1D-CNN），同时还集成了注意机制来增强其能力。又如，iAMPAttenpred首次提出了基于BERT、CNN、Bi-LSTM和注意机制等多种深度学习方法的预测器，用于AMPs序列的预测和分类。它能够将预处理后的基准数据集序列中的每个氨基酸作为一个词，然后输入BERT预训练模型进行特征编码，拥有极高的灵敏度和准确度。近几年，中国科学院微生物研究所（病原微生物学与免疫学重点实验室）的Ma Yue等将LSTM、Attention和BERT等多种自然语言处理神经网络模型结合起来，形成了一个统一的管道，用于从人类肠道微生物组数据中识别候选AMP。在2 349 个候选AMPs序列中，216 个经化学合成，发现181 个具有抗菌活性（阳性率＞83%）。其中11 种最有效的AMPs对抗生素耐药的革兰氏阴性病原体具有很好的抑制效果，并且对细菌性肺部感染小鼠模型显示出至少将细菌负荷降低为原来10%的显著功效。这种多种语言模型和深度学习架构的集成提高了预测AMPs的准确性和可靠性，促进了该领域计算方法的进步。

4AMPs预测的数据来源与获取途径

模型训练完成后，紧接着的就是预测潜在AMPs的性质，而随着测序技术蓬勃发展，可预测的潜在AMPs数量也被大大丰富。传统的AMPs的获得途径，包括但不限于从环境、某种生物的体内或体外分泌物中，经过一系列生物实验进行提取鉴定。这样的实验过程会消耗大量的人力财力，更理想的方法是开发快速高效的预测方法进行初筛，再对候补的AMPs进行实验验证。蛋白质组、基因组、转录组等多组学技术，为AMPs的预测和设计开辟了新天地（图3）。

天然AMPs可以通过蛋白质水解而来，从蛋白质组的角度出发，利用高通量蛋白质组学技术，对复杂生物样本中的蛋白质进行全面分析，从中筛选出具有抗菌活性的肽段。中国科学院南海海洋研究所（应用海洋生物学重点实验室）对太平洋牡蛎黏液蛋白进行了蛋白质组测序，通过设计的机器学习模型在蛋白质组学分析鉴定产生的约43 000 个肽中，选择并评估了6 种肽的抗菌等能力，发现它们均能抑制金黄色葡萄球菌生长。Carballo等提出了一种基于机器学习的管道识别嵌入在蛋白质组中的AMPs，在20 min内即可分析虾蛋白质组所有AMPs。在拓展分析了不同啮齿类动物（普通雄鼠、普通大鼠和裸鼹鼠）的AMPs后，他们还额外发现物种寿命越长，预测的AMPs数量也越多。最近，蛋白质组挖掘的方法甚至已经发展到鉴定灭绝生物中的AMPs。

天然AMPs也可以在基因组中编码形成。通过解析生物体的基因组能够得到对应的氨基酸序列，能够凭借对这些氨基酸序列的理化性质评估识别出潜在的AMPs。微生物生活在对抗和互惠的环境中，微生物的基因组正是AMPs的丰富来源之一。复旦大学脑激发智能科学技术研究所的研究提出了基于机器学习预测全球微生物组中的AMPs，在近100万 个非冗余肽中挑选、合成并测试了100 种AMPs，得到了79 种有抗菌活性的多肽。转录组学测序技术能够迅速且全面地捕捉某一物种特定器官或组织在特定状态下的转录本全貌，也能为高效筛选活性多肽的表达序列提供有力支持。例如Shelenkov等开发的Cysmotif，可用于识别植物转录组中各种具有抗菌活性的AMPs序列。

除了从天然范围获得候选多肽序列，高效、精确地设计AMPs在AMPs开发领域具有重要意义。近年来，深度生成模型得到了快速发展，为肽的从头设计提供了机会。Dean等将肽编码到潜在空间中，并在已知AMPs和其混乱版本之间的预测向量上插入，以产生新的肽。PepCVAE和CLaSS采用变分自编码器模型生成序列；AMPGAN使用生成式对抗网络（GAN）生成新的肽序列，并使用鉴别器区分出AMP；LSSAMP可以同时生成具有理想序列属性和二级结构的肽。

在数字空间里，除了依靠模型从头设计生成序列之外，还有一些现有的肽数据库可以进行预测。例如，Zhang Jin等在UniProt中，选择氨基酸残基长度在11～75之间的3 445 312 个多肽，在其中利用搭建的算法模型预测它们的抗真菌性。类似地，浙江大学的Huang Junjie团队设计了一个机器学习管道，预测由6～9 个氨基酸组成的整个虚拟肽库中的数千亿序列，筛选得到的多肽制剂很好地治疗了细菌性肺炎小鼠，且毒性可忽略不计。

综上所述，多种组学产生的数据以及一些有趣的现有多肽数据集合，都能够作为人工智能学习算法的目标，利用不同特性多肽的理化特性，经过分类筛选都可以得到满足高抑菌性、高选择性、低溶血性、低细胞毒性等需求的新型AMPs。

5AMPs的结构设计与功能改造策略

AMPs是一种天然、安全的新型化学抗菌剂替代品，有望在食品工业中广泛推广，然而，在许多情况下AMPs存在溶解度差、膜渗透性差、稳定性低和生产成本高等问题，限制了其被有效应用。例如，乳链球菌肽是一种广泛使用和商业开发的AMPs防腐剂，主要用于乳制品和肉制品的保存。然而，乳链球菌肽在酸性pH值条件下有效，但在pH 7以上会失去活性。它在较高温度条件下也不稳定，对革兰氏阴性菌、霉菌和酵母菌没有活性。这些缺陷限制了其广泛的应用。因此，挖掘设计广谱、稳定、低毒、高效的新型AMPs对于保障食品安全具有重要意义。

多肽分子相比较小分子，选择性更好、毒性更低但稳定性较差。天然的多肽由酰胺键连接的氨基酸链组成，缺乏二级或三级结构所赋予的稳定性。在体内，暴露在环境中，酰胺键很容易被酶水解或破坏，使多肽在化学和物理上都不稳定，半衰期短，体内消除快。Liu Wenjie等着眼于将肽转化为小分子，以解决肽稳定性问题。他们基于3 种机器学习方法搭建模型观察是否能够识别肽的“生物活性”特征，并利用这些特征准确区分对活性有贡献的部分。Wang Fanjin等利用KNN算法，仅根据氨基酸序列预测了肽治疗剂的胃肠道稳定性。经过特征重要性分析，研究发现肽的亲脂性、刚性和大小是稳定性的关键决定因素，为开发稳定的多肽提供了方向。

基因组中的错义变异，甚至单点突变会影响蛋白质结构的稳定性，进而影响细胞的生理行为。PTPAMP据此提供了肽设计模块，用户可以获得某个氨基酸被取代的肽突变体、与该突变体对应的预测分数和肽特性，最终选择最佳的肽突变体。Diff-AMP搭建了一个能够处理AMP生成、识别筛选、多属性预测和迭代优化等任务的集成框架。迭代优化部分基于强化学习的迭代优化策略，全面捕获复杂信息，从而生成满足多种需求的AMP。这些研究为挖掘并改造出更加高效稳定的新型AMPs提供了积极的探索示范。

6 结 语

在食品保鲜领域，AMPs展现出了极大的应用潜力，对延长食品的保质期具有显著作用。但目前的AMPs仍存在生物易降解、细胞毒性、成本高等问题，制约其在食品工业中的广泛应用。随着人工智能算法和高通量筛选技术的飞速发展，AMPs预测工作得到了强大的助力，让精准筛选出高效低毒的AMPs成为可能。本文介绍了AMPs的研究现状，重点归纳多种人工智能算法模型在AMPs预测上的应用，以及各类AMPs数据库，并且总结了人工智能算法预测AMPs的来源、改造方向，为该领域相关研究者提供借鉴和帮助。

目前，大部分研究对AMPs的结构-活性关系掌握得不够深入，预测准确度没有实际上的高。而随着算法迭代升级加快，各种需求不断涌现，不再局限于AMPs的识别，研究者们更希望得到更广谱抑菌、低毒、低成本、高稳定性的AMPs。这引导着人工智能算法在预测AMPs领域继续前进，朝着提升准确度、提高预测效率、丰富预测结果的方向发展。

通信作者：

刘亚楠，宁波大学副教授，加拿大University of Guelph访问学者。主要从事食品微生物与生物技术领域的研究，学术专长为发酵食品、抗菌肽机制及材料设计、天然活性多肽功效解析。主持国家自然科学基金、教育部产学研项目、宁波市重点研发及横向课题等11 项。以第一作者或通信作者身份在国内外重要学术期刊发表论文20余篇。申请国家发明专利7 项。目前担任《Modern Agriculture》副编委、《轻工学报》青年编委，长期担任Food Research International、Food & Function等多家国际著名学术期刊审稿人。指导本科生分别荣获第八届、第九届国际“互联网+”大学生创新创业大赛国家级银奖、浙江省金奖，第十八届“挑战杯”大学生课外学术科技作品竞赛浙江省铜奖等。

张鑫，博士、副教授，2013年毕业于南京农业大学食品科学专业，获博士学位。毕业后进入宁波大学食品与药学学院食品科学与工程系工作。目前主要从事食品生物技术领域研究工作，特别是植物多酚与人体肠道菌群之间的相互作用及植物发酵产品的开发。近年来，主持和参与各类科研项目10余项，其中主持国家自然科学基金1 项，主持浙江省自然科学基金2 项；以第一或通信作者发表60余篇高水平SCI论文，其中TOP期刊20余篇，ESI高被引论文4 篇。

第一作者：

钱宇辰，宁波大学食品科学与工程学院2022级硕士研究生。研究方向：机器学习挖掘抗菌肽。

本文《人工智能算法在抗菌肽预测领域的应用》来源于《食品科学》2025年46卷第11期384-393页，作者：钱宇辰，聂挺，花彦铭，徐诗莹，郭盛，张鑫，罗小虎，刘亚楠。DOI:10.7506/spkx1002-6630-20241126-174。点击下方阅读原文即可查看文章相关信息。

实习编辑：李雄；责任编辑：张睿梅。点击下方阅读原文即可查看全文。图片来源于文章原文及摄图网

为了帮助食品及生物学科科技人员掌握英文科技论文的撰写技巧、提高SCI期刊收录的命中率，综合提升我国食品及生物学科科技人员的高质量科技论文写作能力。《食品科学》编辑部拟定于2025年8月7-8日在 中国 湖南 长沙 举办“第12届食品与生物学科高水平SCI论文撰写与投稿技巧研修班”，为期两天。

长按或微信扫码了解详情

为贯彻落实《中共中央国务院关于全面推进美丽中国建设的意见》《关于建设美丽中国先行区的实施意见》和“健康中国2030”国家战略，全面加强农业农村生态环境保护，推进美丽乡村建设，加快农产品加工与储运产业发展，实现食品产业在生产方式、技术创新、环境保护等方面的全面升级。由 中国工程院主办， 中国工程院环境与轻纺工程学部、北京食品科学研究院、湖南省农业科学院、岳麓山工业创新中心承办， 国际食品科技联盟（IUFoST）、国际谷物科技协会（ICC）、湖南省食品科学技术学会、洞庭实验室、湖南省农产品加工与质量安全研究所、中国食品杂志社、中国工程院Engineering编辑部、湖南大学、湖南农业大学、中南林业科技大学、长沙理工大学、湘潭大学、湖南中医药大学协办的“ 2025年中国工程院工程科技学术研讨会—推进美丽乡村建设-加快农产品加工与储运产业发展暨第十二届食品科学国际年会”，将于2025年8月8-10日在中国 湖南 长沙召开。

长按或微信扫码进行注册