Effects of Frozen Materials Other Than Grapes on Red Wine Volatiles. Mitigation of Floral Taints by Yeast Strains
Notice bibliographique
Résumé
“Floral taint”, a unique sensory defect that has been detected in red wines in North America, is caused by frozen leaves and petioles (materials other than grapes; MOG) introduced during mechanical harvest. Responsible volatiles are likely terpenes, norisoprenoids, and esters. Objectives of this study were to investigate volatile compounds that may cause floral taint and to evaluate yeast strains that could mitigate the problem for a series of different leaf- and petiole-based MOG levels. Replicate Cabernet franc fermentations (2017 to 2019) combined MOG treatments ([wt/wt]: 0, 0.5%, and 2% leaf blades, and 0, 1%, and 5% petioles) with three yeast strains (CSM, EC1118, and FX10). Increases in leaf and petiole levels resulted in primarily linear increases in many aroma compounds, particularly terpenes. Increases in leaf addition increased concentrations of nine (2017), 12 (2018), or 17 terpenes (2019). Increased petioles led to linear increases in 13 (2017), 12 (2018), or 15 terpenes (2019). Norisoprenoids and salicylates were also responsive. Yeast effects varied with leaf and petiole levels and with season. Fermentations with 2% leaves displayed yeast-related differences in nine, four, and 10 terpenes, and four, two, and nine esters in 2017, 2018, and 2019, respectively. Fermentations with 5% petioles displayed yeast-related differences in three, six, and eight terpenes, and three, two, and five esters in 2017, 2018, and 2019, respectively. Yeasts EC1118 and FX10 produced the least terpenes at all leaf and petiole levels, while CSM produced the most. Results suggest that incorporation of frozen MOG to fermentations will result in elevated concentrations of terpenes, norisoprenoids, and salicylates associated with floral taint, and that specific yeast strains may diminish this problem.
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) | 0,000 | 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 ».