MétaCan
Menu
Retour à la cohorte
Enregistrement W4213292393 · doi:10.1111/ijfs.15608

Physicochemical and functional properties of albumin, globulin and glutelin fractions of green lentil seed

2022· article· en· W4213292393 sur OpenAlexaff
Etinosa C. Osemwota, Adeola M. Alashi, Rotimi E. Aluko

Notice bibliographique

RevueInternational Journal of Food Science & Technology · 2022
Typearticle
Langueen
DomaineAgricultural and Biological Sciences
ThématiqueProteins in Food Systems
Établissements canadiensUniversity of Manitoba
Organismes subventionnairesnon disponible
Mots-clésGlutelinChemistryEmulsionAlbuminSolubilityGlobulinChromatographyStorage proteinFraction (chemistry)Food scienceBiochemistryOrganic chemistry

Résumé

récupéré en direct d'OpenAlex

Summary Defatted lentil seed flour proteins were separated into their constituent albumin (ALB), globulin (GLB) and glutelin (GLT) fractions followed by determination of their structural and functional properties. The GLB fraction demonstrated superior solubility (84%–100%) at acidic and alkaline pH values when compared to the lower values for ALB and GLT. Amino acid composition analysis showed lower contents of hydrophobic and sulphur‐containing residues for GLB. However, GLB had the highest in vitro protein digestibility, which may be due to lower contents of rigid secondary structure fractions like the β‐sheet and β‐turns. In contrast, water and oil holding capacities as well as gelling ability were better for GLT and ALB than GLB. The GLT fraction formed very poor emulsions at pH 3 and 5 but emulsification was significantly (p < 0.05) improved (smaller oil droplets) at pH 7 and 9. Foaming capacity was strongest for GLB, especially at pH 5, 7 and 9 where increase in protein concentration had a negative effect on foam formation. Overall, the protein type and pH of the environment had stronger effects on emulsion and foaming properties than the protein concentration.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Expérimental (laboratoire) · Signal consensuel: Expérimental (laboratoire)
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,002
Score d'incertitude au seuil0,004

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0010,000

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.

Tête enseignante Opus0,027
Tête enseignante GPT0,234
Écart entre enseignants0,207 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeExpérimental (laboratoire)
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations55
Publié2022
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueInternational Journal of Food Science & TechnologyMême sujetProteins in Food SystemsTravaux en français237 207