MétaCan
Menu
Retour à la cohorte
Enregistrement W4214862105 · doi:10.1080/07373937.2022.2044844

Role of drying technology in probiotic encapsulation and impact on food safety

2022· article· en· W4214862105 sur OpenAlexaff
Rachna Sehrawat, S. Abdullah, Prateek Khatri, Lokesh Kumar, Anit Kumar, Arun S. Mujumdar

Notice bibliographique

RevueDrying Technology · 2022
Typearticle
Langueen
DomaineAgricultural and Biological Sciences
ThématiqueMicroencapsulation and Drying Processes
Établissements canadiensMcGill University
Organismes subventionnairesnon disponible
Mots-clésProbioticBiotechnologyBusinessFood scienceHealth benefitsPopulationMicrobiomeGut microbiomeBiologyMedicineBacteriaEnvironmental health

Résumé

récupéré en direct d'OpenAlex

The world’s urban population is expected to double by 2050. Urbanization is changing food consumption patterns, and the global market is flooded with functional foods, specifically probiotics, for their gut health advantages. Awareness about the healthy human microbiome among the consumer has prompted them to demand probiotic foods. Due to their potential health benefits, probiotics have been incorporated into several dairy and nondairy products. To overcome the hurdles associated with the low viability of the beneficial microorganism, microencapsulation of probiotic bacteria and yeast is of immense importance. Microencapsulation enhances the viability of probiotics during different processing techniques and under gastrointestinal conditions. So, it is critical to control and design the drying process technology for probiotics encapsulation to achieve higher viability. The purpose of the review is to compile the commonly utilized drying technique for probiotics with their principle, advantages, and disadvantages, mechanism of inactivation, recent research, and cost involved in the processing.

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: aucune
Score de désaccord entre enseignants0,001
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)0,0000,001
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0010,001
Science ouverte0,0000,000
Intégrité de la recherche0,0010,001
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 Opus0,009
Tête enseignante GPT0,217
Écart entre enseignants0,209 · 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

Citations22
Publié2022
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueDrying TechnologyMême sujetMicroencapsulation and Drying ProcessesTravaux en français237 207