MétaCan
Menu
Retour à la cohorte
Enregistrement W3017323003 · doi:10.1039/c9ra07614j

Oleogelation using pulse protein-stabilized foams and their potential as a baking ingredient

2020· article· en· W3017323003 sur OpenAlexafffundabout
Athira Mohanan, Yan Ran Tang, Michael T. Nickerson, Supratim Ghosh

Notice bibliographique

RevueRSC Advances · 2020
Typearticle
Langueen
DomaineAgricultural and Biological Sciences
ThématiqueFood Chemistry and Fat Analysis
Établissements canadiensSaskatoon Medical ImagingUniversity of Saskatchewan
Organismes subventionnairesIsrael Science FoundationSaskatchewan Pulse GrowersMinistry of Advanced EducationMinistry of Agriculture - Saskatchewan
Mots-clésPea proteinFood scienceChewinessChemistryIngredientXanthan gumTrans fatPlant proteinAdsorptionSaturated fatMaterials scienceRheologyOrganic chemistryBiochemistryComposite material

Résumé

récupéré en direct d'OpenAlex

fat by the US Food and Drug Administration and Health Canada. Lately, the use of hydrocolloids such as animal proteins and modified cellulose for oleogel preparation has gained more attention. However, plant proteins have never been explored for the development of oleogels. The present study explored the use of freeze-dried foams prepared using protein concentrates and isolates of pea and faba bean with xanthan gum at different pH values for oil adsorption and subsequent oleogelation. Compared to protein isolate stabilized foams, protein concentrate-stabilized foams displayed (i) higher oil binding capacity (OBC) due to a higher number of smaller pore size; and (ii) lower storage modulus and firmness due to the higher oil content. At all pH values, there was no significant difference between the OBC of different protein isolates, but among the concentrates, pea displayed higher OBC than faba bean at pH 5 and faba bean displayed higher OBC than pea at pH 9. Results showed that such oleogels could be used as a shortening alternative. Cakes prepared using the pea protein-based oleogel at pH 9 displayed a similar specific volume as that of shortening-based cake, although with higher hardness and chewiness.

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)0,0010,000

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 Opus0,019
Tête enseignante GPT0,223
Écart entre enseignants0,204 · 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

Citations68
Publié2020
Routes d'admission3
Résumé présentoui

Explorer davantage

Même revueRSC AdvancesMême sujetFood Chemistry and Fat AnalysisTravaux en français237 207