Membrane Applications in Functional Foods and Nutraceuticals
Notice bibliographique
Résumé
The functional foods and nutraceuticals market is growing at a rapid pace. Membrane processing offers several advantages over conventional methods for separation, fractionation, and recovery of those bioactive components. In this review, membrane applications of lipid-, carbohydrate-, and protein-based nutraceuticals and some minor bioactive components have been critically evaluated. Both non-porous and porous membranes were employed for lipid-based nutraceuticals separations. The use of non-porous membranes together with non-aqueous solvents brought about the impact of solution-diffusion theory on transport through membranes. Both organic and inorganic membranes gave encouraging results for the recovery of lipid components with single- and/or multi-stage membrane processing. Two-stage ultrafiltration (UF)-nanofiltration (NF) systems with polymeric membranes provided an efficient approach for the removal of high- and low-molecular weight (MW) unwanted components resulting in higher purity oligosaccharides in the NF retentate. The charged nature of protein-based nutraceutical components had a major effect on their separation. Operating at optimizal pH levels was critical for fractionation, especially for low MW peptide hydrolysates. Processing of minor components such as polyphenols, utilized all types of porous membranes from prefiltration to concentration stages. Coupling of membrane separation and supercritical fluid technologies would combine unique advantages of each process resulting in a novel separation technology offering great potential for the nutraceutical and functional food industry.
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 | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 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 ».