Microalgae as Sources of High-Quality Protein for Human Food and Protein Supplements
Notice bibliographique
Résumé
As a result of population growth, an emerging middle-class, and a more health-conscious society concerned with overconsumption of fats and carbohydrates, dietary protein intake is on the rise. To address this rapid change in the food market, and the subsequent high demand for protein products, agriculture, aquaculture, and the food industry have been working actively in recent years to increase protein product output from both production and processing aspects. Dietary proteins derived from animal sources are of the highest quality, containing well-balanced profiles of essential amino acids that generally exceed those of other food sources. However, as a result of studies highlighting low production efficiency (e.g., feed to food conversion) and significant environmental impacts, together with the negative health impacts associated with the dietary intake of some animal products, especially red meats, the consumption of animal proteins has been remaining steady or even declining over the past few decades. To fill this gap, researchers and product development specialists at all levels have been working closely to discover new sources of protein, such as plant-based ingredients. In this regard, microalgae have been recognized as strategic crops, which, due to their vast biological diversity, have distinctive phenotypic traits and interactions with the environment in the production of biomass and protein, offering possibilities of production of large quantities of microalgal protein through manipulating growing systems and conditions and bioengineering technologies. Despite this, microalgae remain underexploited crops and research into their nutritional values and health benefits is in its infancy. In fact, only a small handful of microalgal species are being produced at a commercial scale for use as human food or protein supplements. This review is intended to provide an overview on microalgal protein content, its impact by environmental factors, its protein quality, and its associated evaluation methods. We also attempt to present the current challenges and future research directions, with a hope to enhance the research, product development, and commercialization, and ultimately meet the rapidly increasing market demand for high-quality protein products.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| 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 | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,002 |
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 source (Gemma direct ou Codex distillé), 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 ».