Evaluation and optimization of functional and antinutritional properties of aquafaba
Notice bibliographique
Résumé
Abstract Egg protein is responsible for the second most serious of all food allergens, which affects predominantly the children. Therefore, a new type of vegan ingredient called “aquafaba,” is getting recognized as a plant‐based emulsifier in many bakery product preparations instead of the conventionally used egg white and is emerging in the consumer market. It is the residue water from cooked chickpeas. In this study, an I‐optimal mixture experimental design is combined with a response surface methodology to evaluate the chickpeas cooking process for obtaining aquafaba. The following variables were used: chickpea to cooking water ratio (CPCWR; 1:2, 1:4, and 2:3) and cook time (15, 30, 45, and 60 min). The principal goal was to maximize the functional properties and protein content, while minimizing tannin and phytate contents of aquafaba. The results showed that both CPCWR and cooking time had significant effect on the responses. Emulsion properties were the maximum at 2:3 CPCWR and cooking time of 60 min. Foaming capacity was highest (120%) at 2:3 CPCWR cooked for 30 min, whereas the foam was most stable (57 min) at 1:2 CPCWR with 45 min cooking. Water holding capacity reached the maximum level when cooked for 15 min, and oil holding capacity maximum was obtained after 60 min cooking. Polynomial models were developed for all 11 responses. Optimal results were achieved under the following conditions: 1.5:3.5 CPCWR and 60 min cook time, and the overall desirability fraction was 0.81. Validation tests confirmed these results.
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 enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| 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) | 0,001 | 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 source (Gemma direct ou Codex distillé), 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 ».