Symposium review: Interaction of starter cultures and nonstarter lactic acid bacteria in the cheese environment
Notice bibliographique
Résumé
The microbiota of ripening cheese is dominated by lactic acid bacteria, which are either added as starters and adjunct cultures or originate from the production and processing environments (nonstarter or NSLAB). After curd formation and pressing, starters reach high numbers, but their viability then decreases due to lactose depletion, salt addition, and low pH and temperature. Starter autolysis releases cellular contents, including nutrients and enzymes, into the cheese matrix. During ripening, NSLAB may attain cell densities up to 8 log cfu per g after 3 to 9 mo. Depending on the species and strain, their metabolic activity may contribute to defects or inconsistency in cheese quality and to the development of typical cheese flavor. The availability of gene and genome sequences has enabled targeted detection of specific cheese microbes and their gene expression over the ripening period. Integrated systems biology is needed to combine the multiple perspectives of post-genomics technologies to elucidate the metabolic interactions among microorganisms. Future research should delve into the variation in cell physiology within the microbial populations, because spatial distribution within the cheese matrix will lead to microenvironments that could affect localized interactions of starters and NSLAB. Microbial community modeling can contribute to improving the efficiency and reduce the cost of food processes such as cheese ripening.
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) | 0,001 | 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 | 0,001 | 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 ».