MétaCan
Menu
Retour à la cohorte
Enregistrement W2164895922 · doi:10.3382/ps.2013-03609

Preparation and characterization of gelatin from collagen biomass obtained through a pH-shifting process of mechanically separated turkey meat

2014· article· en· W2164895922 sur OpenAlexaff
Lihui Du, L. Keplová, Zied Khiari, Mirko Betti

Notice bibliographique

RevuePoultry Science · 2014
Typearticle
Langueen
DomaineMaterials Science
ThématiqueCollagen: Extraction and Characterization
Établissements canadiensUniversity of Alberta
Organismes subventionnairesnon disponible
Mots-clésGelatinChemistryExtraction (chemistry)Food scienceBiomass (ecology)ChromatographyRheologyBiochemistryMaterials scienceBiologyComposite materialAgronomy

Résumé

récupéré en direct d'OpenAlex

Gelatins were extracted from mechanically separated turkey meat following 2 different approaches. The first method was based on a 2-stage batch extraction at 50 and 60°C, respectively, whereas the second method consisted of recovering gelatin from a collagen biomass obtained during a pH-shifting process. The yield of gelatin produced by the latter method was twice that obtained by the former method (13.51 and 6.36%, respectively). The chemical composition, as well as the rheological and the functional properties, of all extracted gelatins were evaluated. Gelatin recovered from the collagen biomass had higher molecular weight components and significantly greater (P < 0.05) bloom value (353.2 g) compared with thermally extracted gelatins. However, gelatin extracted at 60°C possessed higher (P < 0.05) foaming properties, as well as better emulsifying activity, than gelatin extracted from the 50°C treatment and the collagen biomass. The present study revealed that high-quality gelatins can be prepared from mechanically separated turkey meat through precipitation and thermal solubilization of collagen biomass obtained during a pH-shifting process.

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 machine sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: metacan-v3-hybrid-931329e0061cStatut 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 enseignants0,001
Score d'incertitude au seuil0,002

Scores du classifieur distillé par catégorie (deux têtes)

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)0,0010,000

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 Opus0,013
Tête enseignante GPT0,282
Écart entre enseignants0,269 · 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 source (Gemma direct ou Codex distillé), 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

Citations34
Publié2014
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revuePoultry ScienceMême sujetCollagen: Extraction and CharacterizationTravaux en français237 207