MétaCan
Menu
Retour à la cohorte
Enregistrement W2296562661 · doi:10.1002/jsfa.7706

The effect of supplementation with three commercial inactive dry yeasts on the colour, phenolic compounds, polysaccharides and astringency of a model wine solution and red wine

2016· article· en· W2296562661 sur OpenAlexfundno aff
Elena González‐Royo, Mireia Esteruelas, Nikolaos Kontoudakis, Francesca Fort, Joan Miquel Canals, Fernando Zamora

Notice bibliographique

RevueJournal of the Science of Food and Agriculture · 2016
Typearticle
Langueen
DomaineAgricultural and Biological Sciences
ThématiqueFermentation and Sensory Analysis
Établissements canadiensnon disponible
Organismes subventionnairesLallemandComisión Interministerial de Ciencia y Tecnología
Mots-clésMouthfeelWineFood scienceWinemakingPolysaccharideChemistryTanninProanthocyanidinWine colorAstringentPolyphenolTasteBiochemistryOrganic chemistryAntioxidantRaw material

Résumé

récupéré en direct d'OpenAlex

BACKGROUND: Nowadays supplementing red wines with commercial inactive dry yeasts is a widespread practice in winemaking because it leads to better balanced wines through increased mouthfeel and smooth astringency. The aim of this article is to study, in a red wine and in a model wine solution, how supplementation with three commercial inactive dry yeasts affects chemical composition and astringency. This will give us a better understanding of the action mechanism involved. RESULTS: The results suggest that this action mechanism is related to two different phenomena. The first is that inactive yeasts release polysaccharides and oligosaccharides which can increase mouthfeel and inhibit interactions between salivary protein and tannins. The second is that they have a direct effect on the precipitation or absorption of proanthocyanidins, especially the larger polymers, which have been described as the most astringent. CONCLUSION: It can be concluded that supplementation with inactive yeasts is indeed a useful tool for smoothing the astringency of red wines. © 2016 Society of Chemical 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 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: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,498
Score d'incertitude au seuil0,253

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 Opus0,014
Tête enseignante GPT0,219
Écart entre enseignants0,205 · 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

Citations35
Publié2016
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueJournal of the Science of Food and AgricultureMême sujetFermentation and Sensory AnalysisTravaux en français237 207