编辑推荐：
本综述聚焦食品安全领域，探讨生物信息学与机器学习技术的应用。前者通过分析遗传和蛋白质组数据，助力快速精准识别病原体及污染源；后者作为海量数据处理工具，可挖掘食品链潜在模式，提升风险预测与防控能力，二者结合助力保障食品质量安全。
目的
食品安全是公共卫生与可持续发展面临的根本性挑战，受到微生物、化学和物理污染的威胁。创新技术可提升早期检测污染、预防疾病暴发的能力，同时优化食品生产与流通环节。
最新发现
本文论述了新兴生物信息学和机器学习技术在推动食品安全与污染控制中的作用，并梳理了该领域相关研究。生物信息学通过分析遗传（如基因组数据）和蛋白质组（proteomic）数据，能够快速、准确地鉴定病原体（pathogens）及其污染来源。机器学习作为处理海量数据的强大工具，可挖掘食品生产与分销链中的隐藏模式，进而改进风险预测与控制流程。例如，在微生物污染溯源中，机器学习模型可通过分析供应链各环节的参数数据，识别潜在的污染热点区域。
总结
通过回顾既往研究并提出新解决方案，本文强调了这些技术在食品安全识别、预防及决策优化中的作用。研究全面表明，生物信息学与机器学习的整合可助力提升食品质量安全水平，有效防范食源性疾病（foodborne disease）暴发。二者的协同应用为构建更智能、更高效的食品安全保障体系提供了新方向，有望在未来进一步推动从 “被动应对” 到 “主动预防” 的食品安全监管模式转变。
