Quality Assurance of Foods and Functional Ingredients Using Quantitative NMR Methods and Chemometrics
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
One of the greatest challenges facing the functional food and Natural Health Products (NHPs) industries is sourcing high quality functional ingredients for their finished products. Increasingly consumers are demanding full transparency for the products they consume regarding their quality, source and how they are made. Unfortunately, the lack of ingredient standards, modernized analytical methodologies and industry oversight creates the potential for low quality and in some cases deliberate adulteration of ingredients. DNA barcoding has emerged as one tool but its suitability for processed foods and functional ingredients has not been established. Due to its excellent quantitative properties, NMR spectroscopy is increasingly being used as an innovative solution to warrant the quality and safety of processed foods and manufactured functional ingredients. The NRC has been partnering with the industry to develop alternative analytical methods to capture the complex chemical composition of raw materials and extracts into a “chemical barcode”. Supported by statistical methodologies, a non-directed chemical approach to evaluate ingredients quality provide a key advantage in the ability to detect and quantitate in the same analysis, the presence of both the expected bioactives as well as any potential adulterants that are presumed to be absent. This presentation will introduce these concepts and show their application to a diverse range of extracts and foods (more than 200 ingredients) illustrating how quantitative NMR spectroscopy and chemometrics are being used to classify and improve the quality assurance of these products.
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.
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 | 0,001 | 0,001 |
| 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 découle