Introduction to <i>Cereal Chemistry</i> 2022 focus issue on proteins from grains
Notice bibliographique
Résumé
I am pleased to introduce the January/February 2022 Focus Issue 99 (1) of Cereal Chemistry on Proteins from Grains. This theme was chosen to recognize the rapidly increasing interest worldwide in incorporating more plant proteins in the human diet. Concerns about health, environmental sustainability of food production, animal welfare, and that animal protein may be a limited resource are driving the trend of increasing utilization of proteins from plants to diversify food sources. Nevertheless, there are still many important research questions on how plant proteins can add value to the agri-food systems, for example, on “green” methods for processing raw materials and how to incorporate isolates into flavorsome and nutritious products attractive to consumers. These topics are addressed in the 17 articles that make up Focus Issue 2022. There are reviews on protein isolates from peas, oats, and dry beans, and on textured proteins from wheat and pea for meat alternative applications. The 13 research papers present a broad range of new science about protein isolates from various plant sources (lentils, rice bran, oat, black bean, pea, soybean, intermediate wheatgrass), different methods of preparation and processing, and structure and functional properties, including nutrition. I congratulate and thank sincerely the Guest Editors, Clifford Hall (South Dakota State University) and Michael Nickerson (University of Saskatchewan), for assembling an excellent Focus Issue, which I commend to the readers of Cereal Chemistry. I am confident this issue will make a valuable scientific contribution to proteins and grains.
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) | 0,017 | 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 ».