Effects of Genetic Variants of κ-casein and β-lactoglobulin and Heat Treatment of Milk on Cheese and Whey Compositions
Notice bibliographique
Résumé
Milk samples with different phenotype combination of -casein and -lactoglobulin and different preheating temperatures of 30, 70, 75 and 80C were used for cheesemaking under laboratory conditions. For the 853 batches of cheese, mean composition was 59.64% total solids, 30.24% fat and 23.66% protein, and the whey contained 6.93% total solids, 0.30% fat and 0.87% protein. Least squares analysis of the data indicated that heating temperature of the milk and -CN/-LG phenotypes had significant effects on cheese and whey compositions. The total solids, fat and protein contents of cheese were negatively correlated with preheating temperatures of milk. Cheese from BB/BB phenotype milk had the highest and those from AA/AA phenotype milk had the lowest concentrations of total solids, fat and protein. Mean recoveries of milk components in the cheese were 53.71% of total solids, 87.15% of fat, and 80.32% of protein. For the 10 different types of milk, maximum recoveries of milk components in cheese occurred with preheating temperature of 70C or 75C and lowest recoveries occurred at 80C. The whey averaged 6.94% total solids, 0.30% fat and 0.87% protein. Losses of milk components in the whey were lowest for milk preheated at 80C and for milk containing the BB/BB phenotype. (
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 | 0,001 |
| 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 ».