MétaCan
Menu
Retour à la cohorte
Enregistrement W2980385335 · doi:10.5539/jfr.v8n6p66

Extraction of Proteins and Pasting and Antioxidant Properties of Soybean Hulls

2019· article· en· W2980385335 sur OpenAlexvenueno aff
Sean X. Liu, Diejun Chen, Mukti Singh, Jingyuan Xu

Notice bibliographique

RevueJournal of Food Research · 2019
Typearticle
Langueen
DomaineMedicine
ThématiquePhytoestrogen effects and research
Établissements canadiensnon disponible
Organismes subventionnairesU.S. Department of Agriculture
Mots-clésExtraction (chemistry)Food scienceChemistrySieve (category theory)Protein purificationSoybean mealAntioxidantWater extractionPulp and paper industryChromatographyRaw materialMathematicsBiochemistryEngineeringOrganic chemistry

Résumé

récupéré en direct d'OpenAlex

Soybean hulls are a by-product from soybean processing for oil and meal production which comprise approximately 8% of the whole seed. This study investigated water holding capacities and pasting properties, and first reported the phenolic contents and antioxidant activities from soybean hulls which are important to our long-term health. In addition, the conditions for extracting proteins from soybean hulls including optimum pH, as well as homogenizing and separation methods for extraction, were also studied. Higher protein content in extracts and recoveries was obtained with extraction at pH 9. Using sieve separation may be an effective way to extract proteins from hulls for industrial applications. The precipitated protein content increased from 51.52% to 59.29% after purification by washing with water once; however, after two washes, no further improvement was shown. The extracted proteins can be used for food applications. The ground hull powders (10% protein), dried supernatant (14% protein) and sediments (7-8% proteins) along with valuable fibers should be good food ingredients for several food categories. This research explored the great potential of converting the low value by-products into value-added functional food uses along with the benefit of reducing food and agricultural wastes.

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 machine sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Expérimental (laboratoire) · Signal consensuel: Expérimental (laboratoire)
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,001
Score d'incertitude au seuil0,003

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,089
Tête enseignante GPT0,377
Écart entre enseignants0,287 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeExpérimental (laboratoire)
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations7
Publié2019
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueJournal of Food ResearchMême sujetPhytoestrogen effects and researchTravaux en français237 207