MétaCan
Menu
Retour à la cohorte
Enregistrement W2032653853 · doi:10.1021/jf100736m

Fractionation of Hairless Canary Seed (<i>Phalaris canariensis</i>) into Starch, Protein, and Oil

2010· article· en· W2032653853 sur OpenAlexafffundabout
El‐Sayed M. Abdel‐Aal, Pierre Hucl, Carol Ann Patterson, Danielle Gray

Notice bibliographique

RevueJournal of Agricultural and Food Chemistry · 2010
Typearticle
Langueen
DomaineNursing
ThématiqueFood composition and properties
Établissements canadiensUniversity of SaskatchewanAgriculture and Agri-Food Canada
Organismes subventionnairesUniversity of Saskatchewan
Mots-clésFractionationExtraction (chemistry)StarchChemistryAgronomyChromatographyComposition (language)FiberBotanyFood scienceBiologyOrganic chemistry

Résumé

récupéré en direct d'OpenAlex

Canary seed is an important specialty crop in Canada. The current market for this true cereal (i.e., belonging to the family Poaceae as wheat) is limited to feed for caged birds. However, canary seed holds a promise for many food and industrial applications based on its composition. Three wet milling procedures based on ethanol (E), water (W), and alkaline (A) extractions used in different order were investigated to determine extraction efficiency and purity of starch, protein, oil, and fiber separated from hairless canary seed, a variety developed for human consumption. Highest extraction efficiencies were obtained when canary seed was defatted with ethanol and then extracted with alkali and water (EAW process). Using this process, approximately 92% pure starch, 75% pure protein, and oil were recovered from canary seed groats. The highest purity of protein, however, was obtained when canary seed was fractionated by the EWA process, that is, defatted and then extracted with water followed by alkali. Fiber component separated prior to alkaline extraction contained high amounts of nonfiber components as indicated by its yield. The EAW extraction process seems to be more promising in canary seed fractionation based on recovery and purity of components.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut 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 enseignants0,040
Score d'incertitude au seuil0,258

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
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)0,0000,000

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 Opus0,006
Tête enseignante GPT0,195
Écart entre enseignants0,190 · 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 tête enseignante, 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

Citations43
Publié2010
Routes d'admission3
Résumé présentoui

Explorer davantage

Même revueJournal of Agricultural and Food ChemistryMême sujetFood composition and propertiesTravaux en français237 207