Characterization of Whole Wheat Bread Reformulated with Pea and Soy Protein Isolates
Notice bibliographique
Résumé
Aims: At present, there is an increasing demand for plant-based proteins due to their nutritional values and beneficial effect to the environment. Improving the availability of plant protein enriched foods would be highly beneficial for the consumers to follow a healthy diet. Reformulating a commonly consumed product, such as bread, with plant-based protein will be a convenient option for the people to improve their protein intake. Therefore, the objective of this study was to determine the effect of protein isolate (pea and soy) on color, microscopic structure, sensory properties, and protein content in whole wheat bread. Methods: The experiments were conducted at the University of Guelph, ON, Canada. Seven whole wheat bread samples (control, P20, P30, P40, S20, S30 and S40) were prepared (n = 3 loaves for each treatment). Results: The RGB and L*a*b*values of loaf (crust) and slice (crumb) of the control bread was higher than that of all protein enriched bread samples. The control bread had larger pores than the protein enriched samples. The pores in the pea protein isolate enriched bread were tightly packed while compared to soy protein. There was no difference in most of the sensory attributes between control and S20 breads. In terms of softness, all protein blended breads scored lower than the control. Fifty percentage of the panelists chose S20 as their first choice, whereas only thirty percent selected control as their first choice. The protein content of the bread samples was 8.9, 15.4, 18.1, 20.7, 15.9, 18.6 and 20.9%, for control, P20, P30, P40, S20, S30 and S40, respectively. Conclusion: Soy protein isolate has more opportunities than pea protein isolate to incorporate with whole wheat flour, and produce acceptable bread.
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 ».