Compositional and sensory differences of products of sweet-cream and whey buttermilk produced by microfiltration, diafiltration, and supercritical CO2
Notice bibliographique
Résumé
The objectives of this work were to assess the compositional properties and sensory characteristics of ingredients produced by treating sweet-cream and whey-cream buttermilks with microfiltration (MF), diafiltration (DF), and supercritical CO2 (SFE) extraction. Sweet-cream buttermilk (CBM) and buttermilk resulting from churning the residual fat from whey processing (whey buttermilk, WBM) were used. Using MF or microfiltration followed by diafiltration (MF-DF), we obtained resulting retentates that were dried and then were subjected to SFE treatment. Control buttermilks, SFE resulting products, and MF and MF-DF SFE and all treated retentates products totaled 16 samples (2 types×4 treatments×2 batches). Eleven trained panelists assessed samples using descriptive analysis. Sweet-cream buttermilk was higher in protein and lactose, whereas the WBM had similar total protein, mainly β-LG and α-LA but very low lactose. The resulting samples in order of concentration for fat and lactose were control samples>SFE treated>MF treated>DF=MF-SFE and DF-SFE. Sodium dodecyl sulfate-PAGE protein profiling showed negligible casein for WBM versus CBM and less whey proteins for CBM versus WBM, as expected. Whey buttermilk was more yellow, salty, sour, and rancid than CBM. Regarding the treatments, significant differences were obtained on homogeneity, opacity, rancid odor, cardboard and sour flavors, sweet and salty tastes, viscosity, and mouthcoating, where SFE-treated samples showed lowest rancid odor and cardboard flavor.
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 enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| 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 source (Gemma direct ou Codex distillé), 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 ».