Reducing variability in the measurement of gluten contamination in oats, oilseeds, and pulses by improving sample preparation
Notice bibliographique
Résumé
Abstract Background and objectives The variability in gluten in non‐gluten‐containing grains ( NGCG ) processed using two preparation schemes was evaluated with the aim of minimizing effects of sample heterogeneity on gluten determined by enzyme linked immunosorbent assay ( ELISA ). The relationship between gluten concentration as determined by ELISA and visually assessed contamination of NGCG with wheat, durum, barley, and rye was investigated. Findings Low variability between duplicate aliquots taken from test portions (0–30.6% relative standard deviation [ RSD ]) demonstrated the ELISA itself was precise. In the first scheme, variability among test portions ranged from 1% to 143% RSD , with only half in the range of 1–50%. Using scheme 2, variability in gluten among test portions ranged from 1% to 85% RSD , with more than three quarters in the range of 1–50%. High lipid content hemp seed was a particular challenge to grind, and this was reflected in higher variability in gluten results between test portions (mean RSD = 61%). Conclusions Subsampling ground samples using rotary sample division and the use of a 1‐g test portion in scheme 2 decreased the variability of gluten results for most samples. At concentrations relevant to existing thresholds of gluten contamination (e.g. 20 mg/kg), there was no relationship between gluten concentration in NGCG and cereal contamination as determined by visual inspection. Significance and novelty This study provides guidance on how to improve the analysis of gluten contamination in NGCG by ELISA and describes the absence of a relationship between ELISA ‐determined gluten and the visual assessment of contamination in NGCG .
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 | 0,001 | 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 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 ».