Fluorescence‐based soft‐sensor for monitoring β‐lactoglobulin and α‐lactalbumin solubility during thermal aggregation
Notice bibliographique
Résumé
A soft-sensor for monitoring solubility of native-like alpha-lactalbumin (alpha-LA) and beta-lactoglobulin (beta-LG) and their aggregation behavior following heat treatment of mixtures under different treatment conditions was developed using fluorescence spectroscopy data regressed with a multivariate Partial Least Squares (PLS) regression algorithm. PLS regression was used to correlate the concentrations of alpha-LA and beta-LG to the fluorescence spectra obtained for their mixtures. Data for the calibration and validation of the soft sensor was derived from fluorescence spectra. The process of thermal induced aggregation of beta-LG and alpha-LA protein in mixtures, which involves the disappearance of native-like proteins, was studied under various treatment conditions including different temperatures, pH, total initial protein concentration and proportions of alpha-LA and beta-LG. It was demonstrated that the multivariate regression models used could effectively deconvolute multi-wavelength fluorescence spectra collected under a variety of process conditions and provide a fairly accurate quantification of respective native-like proteins despite the significant overlapping between their emission profiles. It was also demonstrated that a PLS model can be used as a black-box prediction tool for estimating protein aggregation when combined with simple mass balances.
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 | 0,000 |
| 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 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 ».