Valorization of snow crab (<i>Chionoecetes opilio</i>) cooking effluents for food applications
Notice bibliographique
Résumé
Abstract BACKGROUND Seafood processing generates significant amounts of solid and liquid waste in the environment. Such waste represents a potential source of high‐value biomolecules for food, pharmaceutic and cosmetic applications. There are very few studies on the valorization of wastewaters compared to solid by‐products. However, cooking waters are characterized by a high organic polluting load, which could contain valuable molecules such as proteins, pigments and flavor compounds. Snow crab ( Chionoecetes opilio ) processing is included among the most important processes in Canadian fisheries, although its cooking effluent composition is not well characterized. RESULTS The present study concentrated and valorized the biomass in snow crab cooking wastewaters for the development of products for food applications. A membrane process was designed and optimized to concentrate the effluents. The chemical composition of the concentrates was analyzed, including characterizing the flavor profile compounds. The extracts were mainly composed of proteins (592 g kg −1 ) and minerals (386 g kg −1 ) and contained desirable flavor compounds. Their functional properties (solubility, water‐holding capacity, oil‐holding capacity) and antioxidant activities were also assessed, and their safety was verified. CONCLUSION The cooking effluents generated by snow crab processing facilities, usually considered as waste, can be concentrated and turned into a natural aroma for the food industry. © 2019 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 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 ».