Effect of commercial grape extracts on the cheese-making properties of milk
Notice bibliographique
Résumé
Grape extracts can be added to milk to produce cheese with a high concentration of polyphenols. Four commercial extracts from whole grape, grape seed, and grape skin (2 extracts) were characterized and added to milk at concentrations of 0, 0.1, 0.2, and 0.3% (wt/vol). The effect of grape extracts on the kinetics of milk clotting, milk gel texture, and syneresis were determined, and model cheeses were produced. Whole grape and grape seed extracts contained a similar concentration of polyphenolic compounds and about twice the amount found in grape skin extracts. Radical scavenging activity was directly proportional to the phenolic compounds content. When added to milk, grape extracts increased rennet-induced clotting time and decreased the clotting rate. Although differences were observed between the extracts, the concentration added to milk was the main factor influencing clotting properties. With increasing concentrations of grape extracts, milk gels showed increased brittleness and reduced firmness. In addition, syneresis of milk gels decreased with increasing concentrations of grape extracts, which resulted in cheeses with a higher moisture content. The presence of grape extracts in milk slightly increased protein recovery in cheese but had no effect on fat recovery. With whole grape or grape seed extracts added to milk at 0.1% (wt/vol), the recovery coefficient for polyphenols was about 0.63, and decreased with increasing extract concentration in milk. Better polyphenol recovery was observed for grape seed extracts (0.87), with no concentration effect. Commercial extracts from whole grape, grape seed, or grape skin can be added to milk in the 0.1 to 0.3% (wt/vol) concentration range to produce cheese with potential health benefits, without a negative effect on cheese yield.
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 | 0,005 | 0,001 |
| 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 | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 ».