Techniques for postmortem tenderisation in meat processing: effectiveness, application and possible mechanisms
Notice bibliographique
Résumé
Abstract Developing efficient and promising tenderising techniques for postmortem meat is a heavily researched topic among meat scientists as consumers are willing to pay more for guaranteed tender meat. However, emerging tenderising techniques are not broadly used in the meat industry and, to some degree, are controversial due to lack of theoretical support. Thus, understanding the mechanisms involved in postmortem tenderisation is essential. This article first provides an overview of the relationship of ageing tenderisation and calpain system, as well as proteomics applied to identify protein biomarkers characterizing tenderness. In general, the ageing tenderisation is mediated by multiple biochemical activities, and it can exhibit better palatability and commercial benefit by combining other interventions. The calpain system plays a key role in ageing tenderisation functions by rupturing myofibrils and regulating proteolysis, glycolysis, apoptosis and metabolic modification. Additionally, tenderising techniques from different aspects including exogenous enzymes, chemistry, physics and the combined methods are discussed in depth. Particularly, innovation of home cooking could be recommended to prepare relatively tender meat due to its convenience and ease of operation by consumers. Furthermore, the combined interventions provide better performance in controlled tenderness. Finally, future trends in developing new tenderising techniques, and applied consideration in the meat processing industry are proposed in order to improve meat quality with higher economical value. Graphical abstract
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 ».