Effects of Early Post-Mortem Rate of pH fall and aging on Tenderness and Water Holding Capacity of Meat from Cull Dairy Holstein-Friesian Cows
Notice bibliographique
Résumé
Fast or slow muscle pH fall may give unacceptable purge losses or tough meat, depending much on concomitant evolution of muscle temperature early post-mortem, costing millions of euros to the meat industry. Tenderness and purge losses of <em>Longissimus thoracis/lumborum</em> (<em>LTL</em>) and <em>Gluteus medius</em> (<em>Gm</em>) sampled from cull dairy cows differing in production status (10 lactating vs. 22 dried off) and aging time, were evaluated regarding different rates of pH<sub>2</sub> fall. Shear force related to pH<sub>2</sub> was dependent on muscle and aging time. The intermediate glycolysis led to lower shear force in <em>LTL</em>, while the faster produced best quality in <em>Gm</em>. Purge was influenced by pH<sub>2</sub> (P=0.0077), aging (P&lt;0.0001) and muscle*pH<sub>2</sub> interaction (P&lt;0.0001). Aging affected thawing (P&lt;0.0001), grilling (P=0.0004) and overall losses (P&lt;0.0001). Under the ruled chilling regime, the fast pH fall in <em>Gm</em> and the slow pH fall in <em>LTL</em> approached out of the ideal pH6/temperature limits, being compatible with heat and cold shortening, respectively.
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 | 0,002 | 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 ».