Effect of different cooking methods and heating solutions on nutritionally‐important starch fractions and flatus oligosaccharides in selected pulses
Notice bibliographique
Résumé
Abstract Background and objectives Consumption of pulses is recommended by health organizations. Pulses are usually soaked and cooked in water before consumption which alters their nutrient composition and ultimately health benefits. This study investigated the effect of four cooking methods (boiling, pressure, microwave, and slow) and four heating solutions (water, salt, sugar, and citric acid) on composition of nutritionally‐important starch fractions and flatus oligosaccharides in faba bean, lentil, and pea. Findings The three pulses had slowly digestible starch (SDS) as the highest fraction with faba bean and lentil exhibited higher SDS than pea, but pea contained the highest level of resistant starch (RS). Rapidly digestible starch (RDS) was comparable among the three pulses. Stachyose and verbascose were the dominant oligosaccharides in faba bean, lentil, and pea. Regardless of the heating solution, slow cooking was more effective in improving starch nutritional fractions, i.e., producing lowest RDS and highest SDS in the three pulses with some exceptions. The RS fraction increased in the three pulses subject to cooking method and pulse type. Pressure and slow cooking methods were effective in reducing oligosaccharides in the three pulses. Conclusions The results suggest that slow cooking in water or salt solution has great potential to improve starch nutritional fractions and diminish flatus oligo‐sugars. Significance and novelty This is the first study to demonstrate the effectiveness of slow cooking in enhancing starch nutritional fractions and reducing flatus oligo‐sugars in pulses. The method could hold a promise for implementation especially small‐ and large‐volume slow cookers are commercially available.
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 ».