The Effect of Addition of High‐Melting Monoacylglycerol and Candelilla Wax on Pea and Faba Bean Protein Foam‐Templated Oleogelation
Notice bibliographique
Résumé
Abstract Use of oleogels prepared from hydrocolloids has recently gained considerable attention as an alternative for trans and saturated fats. Lately, pulse proteins such as faba bean protein and pea protein have been successfully used to prepare oleogels using a foam‐templated approach. Although the pulse proteins are healthy oleogelators, high oil loss and low quality of cake baked using pulse protein‐stabilized oleogels due to its poor rheological properties challenged its use. The present study explored whether the addition of small amount of high‐melting monoglyceride (MAG) or candelilla wax (CW) can be used to improve the oil binding capacity, rheological properties, and baking qualities of pulse protein‐stabilized oleogels composed of 5% faba bean or pea protein concentrate with 0.25% xanthan gum foams. Different concentrations (0.5–3%) of MAG or CW were dissolved in canola oil at 80 °C, followed by addition into the freeze‐dried protein‐polysaccharide foams (pH 7) and quickly transferred to a refrigerator to facilitate the formation of oleogels. The crystallized additives were found to be reinforcing the protein foam network in the oleogels. With increase in concentration of CW and MAG, the oil binding capacity, firmness, cohesiveness, and storage moduli of the oleogels were increased. Oleogels with and without MAG or CW were then characterized and tested for their performance as a shortening replacer in model baked cakes. Findings showed improved textural properties of cake upon addition of MAG in the foam‐templated oleogels, however, compared to the shortening, negative effect on cake hardness and chewiness was still observed with the oleogels.
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 ».