Pea Protein for Hempseed Oil Nanoemulsion Stabilization
Notice bibliographique
Résumé
In this paper, we present the possibility of using pea protein isolates as a stabilizer for hempseed oil (HSO)-based water/oil emulsions in conjunction with lecithin as a co-surfactant. A Box-Behnken design was employed to build polynomial models for optimization of the ultrasonication process to prepare the emulsions. The stability of the system was verified by droplet size measurements using dynamic light scattering (DLS) as well as centrifugation and thermal challenge tests. The z-ave droplet diameters of optimized emulsion were 209 and 207 nm after preparation and 1 week storage, respectively. The concentration of free Linoleic acid (C18:2; n-6) was used for calculation of entrapment efficiency in prepared nanoemulsions. At optimum conditions of the process, up to 98.63% ± 1.95 of entrapment was achieved. FTIR analysis and rheological tests were also performed to evaluate the quality of oil and emulsion, and to verify the close-to-water like behavior of the prepared samples compared to the viscous nature of the original oil. Obtained results confirmed the high impact of lecithin and pea protein concentrations on the emulsion droplet size and homogeneity confirmed by microscopic imaging. The presented results are the first steps towards using hempseed oil-based emulsions as a potential food additive carrier, such as flavor. Furthermore, the good stability of the prepared nanoemulsion gives opportunities for potential use in biomedical and cosmetic applications.
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 ».