Developing a high‐throughput micromilling protocol for evaluating durum wheat milling performance and semolina quality
Notice bibliographique
Résumé
Abstract Background and objectives Effective and efficient selection of key quality traits is crucial to develop new durum varieties with improved end‐use quality. This study was undertaken to develop a rapid micromilling protocol using a single Brabender Quadrumat Jr. (QJ) semolina mill without purification to predict milling performance and generate semolina for quality analysis. Findings After grinding 200 g of durum wheat with a QJ mill with the reel sifter removed, the resulting wholemeal was sifted through a laboratory sifter equipped with a bottom screen of 180 µm to remove flour and a top screen of 630 µm to retain bran‐rich fraction. Semolina materials between the two screens were collected. A model for predicting semolina yield ( R 2 = 0.81) was developed based on the amounts of semolina and bran‐rich fraction, thus eliminating the need for additional milling to recover semolina in the bran‐rich fraction. There were highly significant correlations ( r > 0.86) for semolina ash, yellowness, yellow pigment content, protein content, wet gluten, and gluten index between semolina prepared with this proposed protocol and those generated with a Allis‐Chalmers mill. Conclusions The micromilling protocol developed in this study is rapid and reliable for assessing durum milling performance and for preparing semolina for quality characterization. Significance and novelty The proposed protocol modified QJ mill and optimized milling conditions. A robust and simplified model was developed for predicting semolina yield with one‐step milling. It is a useful tool for breeding programs or genetic mapping studies that are usually large in sample number but very limited in sample size.
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 | 0,000 | 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 ».