A Fast, Simple, and Reliable Method to Predict Pasta Yellowness
Notice bibliographique
Résumé
ABSTRACT Pasta yellowness depends on the semolina carotenoid content, carotenoid degradation by lipoxygenase (LOX), and pasta processing conditions. In breeding programs, early generation lines are selected for high grain yellow pigment content with the intent to improve pasta color. This approach has been successful in increasing the grain yellow pigment of Canadian durum wheat in the last few decades. In recent years, however, a weak relationship between pasta yellowness ( b *) as measured by a Minolta spectrophotometer and semolina yellow pigment content ( r = 0.19–0.52) was noted in the Canadian durum wheat lines. Thus, total semolina yellow pigment content cannot effectively predict the yellowness of its pasta product. Therefore, a fast and simple method was developed to predict pasta yellowness by measuring semolina dough sheet color at different time intervals after sheeting (0.5, 2.0, and 24 hr). Spaghettis were processed from the semolina samples at two drying temperature cycles (70 and 90°C). There were significant correlations between dough sheet b * values at all three times and spaghetti b * values at both drying temperatures ( r = 0.87–0.94). Semolina dough sheet can be easily prepared in 15 min and requires only 30 g of material. Shortly after sheeting (30 min), dough sheet b * values can be used to predict pasta yellowness without producing the end product (involving mixing, extrusion, and drying). In this study, we also found that dough sheet b * values increased significantly with time over the sampling intervals after sheeting for those breeding lines with superior pasta color. DNA analysis revealed that all those lines lacked the Lpx‐B1.1 duplication.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».