MétaCan
Menu
Retour à la cohorte
Enregistrement W1978392429 · doi:10.3390/fermentation1010003

Evaluation of Zygosaccharomyces bailii to Metabolize Residual Sugar Present in Partially-Fermented Red Wines

2015· article· en· W1978392429 sur OpenAlexfundno aff
J.M. Zuehlke, Bradford C. Childs, Charles G. Edwards

Notice bibliographique

RevueFermentation · 2015
Typearticle
Langueen
DomaineAgricultural and Biological Sciences
ThématiqueFermentation and Sensory Analysis
Établissements canadiensnon disponible
Organismes subventionnairesLallemandNorthwest Center for Small Fruits ResearchWashington State University
Mots-clésWineSugarFood scienceFructoseFermentationChemistryAlcoholEthanol fermentationAlcohol toleranceBiochemistry

Résumé

récupéré en direct d'OpenAlex

An alternative approach to remove residual sugar from red wines using strains of Zygosaccharomyces bailli was studied. Fructose (40 or 60 g/L) and alcohol (13%, 15%, or 17% v/v) were added to a Cabernet Sauvignon wine before inoculation of Z. bailii B2, B6, or W3, or Saccharomyces cerevisiae EC1118. Most yeasts maintained populations ≥106 cfu/mL up to 100 days—the exceptions being W3 and EC1118, which declined to ≤30 cfu/mL in 17% alcohol wines beyond day 75. Wines containing 40 g/L fructose and 13% alcohol achieved dryness (<2 g/L), except those inoculated with B6. At 15% alcohol, B6, W3, and EC1118 consumed large levels of fructose (>80% of the 40 g/L; >50% of the 60 g/L) but limited amounts from wines containing 17% alcohol. Volatile acidities were higher in wines inoculated with strains of Z. bailli compared to S. cerevisiae (0.88 and 0.75 g/L, respectively). Fructose utilization in a partially-fermented Syrah wine varied, with dryness achieved by EC1118 or a mixed culture of B2 and B6. While Z. bailii metabolized residual fructose in wines of varying alcohol content, the use of S. cerevisiae EC1118 was generally as effective and did not produce as much volatile acidity.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Expérimental (laboratoire) · Signal consensuel: Expérimental (laboratoire)
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,001
Score d'incertitude au seuil0,003

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0010,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0010,000

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.

Tête enseignante Opus0,127
Tête enseignante GPT0,330
Écart entre enseignants0,202 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeExpérimental (laboratoire)
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations12
Publié2015
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueFermentationMême sujetFermentation and Sensory AnalysisTravaux en français237 207