Effect of particle size, flour:water ratio and type of pulse on the physicochemical and functional properties of wet protein extraction
Notice bibliographique
Résumé
Abstract Background and Objectives Extraction of proteins by alkaline extraction followed by isoelectric precipitation at three different flour: water (f:w) ratios (1:10, 1:7, and 1:5) were investigated for four pulse flours: yellow pea (YP), green lentil (GL), kabuli chickpea (CH), and navy bean (NB). Pulse flours were prepared by pre‐breaking the seeds and milling into flour using a Ferkar (knife) mill with either a 0.5 mm (P1) or 1.27 mm (P2) screen. Surface properties and functionality of the protein concentrates were evaluated. Findings Extraction yields showed no major differences between the investigated f:w ratios. Protein yields decreased significantly as the amount of water decreased. The 1:10 f:w ratio was selected to perform extractions with coarser flours (1.27 mm; P2). Results showed that flour with a smaller particle size increased yields by 0.4% to 3.2% for extraction, and 7.9%–10.3% for protein. Functional properties showed no major differences between proteins extracted at different f:w ratios, although differences were found between the different pulse types. In some cases, P2 and P1 concentrates differed in functional properties, but this was not consistent for all pulses. Conclusions Finer flour (P1) and higher f:w ratio (1:10) resulted in higher extraction and protein yields. Significance and Novelty This study highlights the importance of milling and control of the particle size of the flours and water use on the preparation of protein concentrates.
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 ».