MétaCan
Menu
Retour à la cohorte
Enregistrement W2137584076 · doi:10.1021/jf070518n

Carbohydrate and Mineral Removal during the Production of Low-Phytate Soy Protein Isolate by Combined Electroacidification and High Shear Tangential Flow Ultrafiltration

2007· article· en· W2137584076 sur OpenAlexaff
Jana Skorepova, Christine Moresoli

Notice bibliographique

RevueJournal of Agricultural and Food Chemistry · 2007
Typearticle
Langueen
DomaineAgricultural and Biological Sciences
ThématiqueProteins in Food Systems
Établissements canadiensUniversity of Waterloo
Organismes subventionnairesnon disponible
Mots-clésDiafiltrationChemistryUltrafiltration (renal)Cross-flow filtrationChromatographySoy proteinPermeationFoulingFiltration (mathematics)Membrane foulingMembraneMembrane technologyMicrofiltrationFood scienceBiochemistry

Résumé

récupéré en direct d'OpenAlex

In this work, soy protein isolates were produced by a combination of electroacidification and high shear tangential flow hollow fiber ultrafiltration with a 100 kDa membrane under constant pressure. The filtration performance was evaluated by comparing the filtration time and the final product composition for an electroacidified (pH 6) and a non-electroacidified (pH 9) soy protein extract. The removal of carbohydrates during the filtration was always consistent with the theoretical predictions (based on free permeability assumption) for both the electroacidified and the non-electroacidified feeds. A higher removal of calcium, magnesium, and phytic acid was achieved during the filtration of the electroacidified feed compared to the non-electroacidified feed. However, the electroacidification pretreatment had a negative impact on the permeate flux and resulted in more significant membrane fouling with correspondingly longer filtration times. A discontinuous diafiltration enhanced the removal of carbohydrates and minerals, thus yielding a product with higher protein content but was unable to improve the permeate flux for the electroacidified feed.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Expérimental (laboratoire) · Signal consensuel: Expérimental (laboratoire)
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,085
Score d'incertitude au seuil0,192

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,006
Tête enseignante GPT0,172
Écart entre enseignants0,167 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeExpérimental (laboratoire)
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations25
Publié2007
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueJournal of Agricultural and Food ChemistryMême sujetProteins in Food SystemsTravaux en français237 207