Determination of flavour profile in Iranian fragrant rice samples using cold‐fibre SPME–GC–TOF–MS
Notice bibliographique
Résumé
Abstract A newly developed cold‐fibre solid‐phase microextraction (CF–SPME) device, as a powerful system for collection and concentration of volatile compounds, coupled to a gas chromatography time‐of‐flight mass spectrometer (GC–TOF–MS) system, equipped with a multi‐channel ion detector and a deconvolution software, was investigated for the analysis of volatile flavour compounds in the headspace of rice samples. The proposed combination provided a powerful system for easy and rapid screening of a wide range of flavours in fragrant rice samples. Based on four target analytes, including 2‐acetyl‐1‐pyrroline as a key odorant compound, different experimental parameters were optimized. The effect of the fibre composition, moisture present in the matrix, extraction temperature and time and desorption time were investigated. Nine Iranian and two Indian fragrant rice varieties were analysed using CF–SPME and the results were compared with commercial SPME fibres. The results revealed that uncooked rice samples can be successfully analysed even as dry kernels, without adding water, utilizing the fully automated CF–SPME–GC–TOF–MS. When using PDMS fibre, a clearly distinguishable peak was seen for 2‐acetyl‐1‐pyrroline by simultaneous cooling of the fibre and heating of rice matrices as dry whole grains. Copyright © 2007 John Wiley & Sons, Ltd.
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) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 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) | 0,000 | 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 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 ».