Интегральные гематологические показатели при механической желтухе
Notice bibliographique
Résumé
In this study the potential of aqueous solvent washing on removing off-flavours in air classified pea protein-enriched flour (PPEF) was investigated. Unpleasant flavour compounds are one of the main deterrents to the application of pulses. PPEF was treated with ethanol or isopropanol at three different concentrations (20%, 50%, and 80%) to remove the volatiles related to unpleasant beany, earthy and astringent flavours. Headspace solid phase microextraction followed by GC-MS was used to identify the flavour compounds in untreated and treated PPEF. Besides the flavour profile, changes to their proximate composition, colour, functionality and protein quality were compared among untreated and treated samples. Higher concentrations of ethanol and isopropanol (50% and 80%) showed greater effectiveness in removing flavour compounds by reducing the total peak area by 82%-94%. Protein content in all treated samples (58.2%-64.3% d.b.) increased compared to untreated PPEF (55.5%) as a result of purification due to the decrease in ash, lipid and carbohydrate content. However, alcohol treatment reduced the protein solubility and oil holding capacity in all samples by 38.3%-75.9%, and 16.7%-30.2%, respectively. Although in vitro protein digestibility was improved with the solvent treatments, the amino acid scores of those samples became lower (i.e., reduced levels of methionine, cysteine or tryptophan) resulting in up to a 27.8% reduction in in vitro protein digestibility correct amino acid scores. Both ethanol and isopropanol at 50% and 80% concentration proved to be effective in removing flavour compounds in PPEF with some modifications on the chemical compositions, protein functionalities and quality.
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 | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,011 | 0,001 |
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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».