MétaCan
Menu
Retour à la cohorte
Enregistrement W2995455123 · doi:10.1002/cche.10248

Physicochemical properties of enzymatically modified pea protein‐enriched flour treated by different enzymes to varying levels of hydrolysis

2019· article· en· W2995455123 sur OpenAlexaff
Dellaney Konieczny, Andrea K. Stone, Darren R. Korber, Michael T. Nickerson, Takuji Tanaka

Notice bibliographique

RevueCereal Chemistry · 2019
Typearticle
Langueen
DomaineAgricultural and Biological Sciences
ThématiqueProteins in Food Systems
Établissements canadiensUniversity of Saskatchewan
Organismes subventionnairesnon disponible
Mots-clésChemistryPapainSolubilityHydrolysisTrypsinProteolysisPea proteinPepsinChromatographyEnzymatic hydrolysisFood scienceEnzymeBiochemistryOrganic chemistry

Résumé

récupéré en direct d'OpenAlex

Abstract Background and objectives Air‐classified pea protein‐enriched flour (PPEF) was modified with trypsin, Savinase, papain, and pepsin to achieve 2%–4% and 10%–12% degrees of hydrolysis, and the surface and functional properties of the hydrolyzed products were assessed. Findings Surface hydrophobicity increased from 13.3 to 48.5 A.U. with papain treatment. Surface charge became more electronegative from −12.6 to −19.0 mV with pepsin treatment. However, solubility of hydrolyzed PPEF at all pH values tested (4.0, 7.0, and 10.0), regardless of enzyme treatment, decreased. Low solubility of hydrolyzed proteins negatively impacted solubility‐dependant functional properties: foaming properties and emulsifying properties decreased. However solubility‐independent properties (water‐ and oil‐holding capacity; WHC and OHC, respectively) improved with proteolysis, increasing from 0.6 g/g to 1.4–2.0 g/g and from 0.7 g/g to 1.0–1.5 g/g, respectively. Conclusions Papain treatment yielded the best results in terms of both OHC and WHC of PPEF. Significance and novelty The resultant hydrolyzates have potential for baked goods and processed meat applications because of their increased OHC and WHC.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut 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 enseignants0,003
Score d'incertitude au seuil0,440

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0010,000
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 Opus0,025
Tête enseignante GPT0,207
Écart entre enseignants0,182 · 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 tête enseignante, 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

Citations47
Publié2019
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueCereal ChemistryMême sujetProteins in Food SystemsTravaux en français237 207