Monitoring the fractionation of a whey protein isolate during dead‐end membrane filtration using fluorescence and chemometric methods
Notice bibliographique
Résumé
During membrane-based separation of proteins, changes in protein concentration of the permeate and retentate streams occurs over time. The current work proposes a new approach for monitoring the changes in concentrations of proteins in both permeate and retentate by making use of data collected using fluorescence spectroscopy and intrinsic protein fluorescence analyzed by multivariate statistical techniques. Whey protein isolate consists mainly of alpha-lactalbumin (alpha-LA), beta-lactoglobulin (beta-LG), and small proportion of bovine serum albumin (BSA) and was used as a model system in this study. A fiber optic probe (FOP) was used to acquire multiwavelength fluorescence spectra for permeate and retentate streams at different times during UF-based separation of the components from a multicomponent solution. Multivariate regression models were developed for predicting the concentrations of alpha-LA, beta-LG, and BSA by establishing a calibration model between data acquired using the FOP and the corresponding protein concentration levels measured by size-exclusion chromatography. The model was validated using FOP data that were not previously used for calibration of the regression models. This comparison showed that concentrations of alpha-LA, beta-LG, and BSA could be predicted directly from FOP data within reasonable accuracy by making use of multivariate calibration tools. This approach has several attractive features including that it is nondestructive, fast, and relatively simple to perform. This technique has potential practical applications as it could offer the opportunity for in situ monitoring of membrane filtration processes by tracking individual protein transmission and selectivity of fractionation.
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 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| 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 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 ».