MétaCan
Menu
Retour à la cohorte
Enregistrement W4237587667 · doi:10.22175/rmc2018.063

The Effect of Breadfruit (Artocarpus Altilis) Flour on Textural Properties of Comminuted Beef Compared with Other Flour Sources

2018· article· en· W4237587667 sur OpenAlexaff
Shiqi Huang, B. M. Bohrer

Notice bibliographique

RevueMeat and Muscle Biology · 2018
Typearticle
Langueen
DomaineAgricultural and Biological Sciences
ThématiqueFood and Agricultural Sciences
Établissements canadiensUniversity of Guelph
Organismes subventionnairesnon disponible
Mots-clésChewinessFood scienceWheat flourMathematicsRice flourIngredientAbsorption of waterChemistryMaterials scienceComposite material

Résumé

récupéré en direct d'OpenAlex

ObjectivesBreadfruit flour as an ingredient in processed meat products has not previously been investigated. The objectives of this study were to investigate the effect of breadfruit (Artocarpus altilis) flour on textural properties of comminuted beef when compared with other flour sources.Materials and MethodsAll flour sources were obtained commercially and were unmodified. Flour sources included breadfruit, corn, soy, tapioca, and wheat. Beef samples originating from one master 15 kg batch of ground beef were comminuted to include 500 g lean beef, 200 g water, and 17.5 g salt. Comminuted beef samples were then prepared with breadfruit flour and other flour sources at varying inclusion levels (0, 1, 2, 3, 4, and 5%). Cooking loss was determined after comminuted beef samples were prepared and cooked to 72°C in a circulating water bath. Texture profile analysis (TPA) was determined using a texture analyzer (TA.XT Plus; Stable Micro Systems Ltd.) with a 30 kg load cell. The prepared and cooked samples were cut into 15 mm diameter and 10 mm thick samples and were compressed twice to 75% of their original height at a cross-head speed of 1.5 mm/s. Data were collected on the following TPA parameters- hardness, adhesiveness, springiness, cohesiveness, gumminess, chewiness, and resilience. The entire experiment (preparation of comminuted beef with flour at differing inclusion levels) was conducted in its entirety 3 times for each treatment. Statistical analyses were conducted using the MIXED procedure of SAS (SAS Inst. Inc., Cary, NC) with fixed effects of flour source, inclusion level, and their interaction. LS means were separated using the PDIFF option with a Tukey’s adjustment. The LS means were further separated using polynomial estimate statements to analyze linear and quadratic effects for inclusion level of each flour source.ResultsFlour source, flour inclusion level, and their interaction significantly affected cooking loss (P < 0.05). Cooking loss of comminuted beef prepared with breadfruit flour and the other flour sources decreased at differing rates as the inclusion level increased (Linear P < 0.05). The interaction of flour source and flour inclusion level affected a number of texture profile parameters, namely hardness (P = 0.05) and cohesiveness (P < 0.01). Hardness was at similar values and decreased as inclusion level increased (0 to 5%) for comminuted beef prepared with breadfruit and soy flour; while hardness was at greater values and remained constant or increased as inclusion level increased (0 to 5%) for comminuted beef prepared with corn, wheat, and tapioca flour. Cohesiveness decreased in value as inclusion level increased (0 to 5%) for breadfruit and soy flour; while cohesiveness remained constant or increased as inclusion level increased (0 to 5%) for comminuted beef prepared with corn, wheat, and tapioca flour. Overall, there were significant linear relationships (P < 0.05) as the inclusion of breadfruit flour was increased (0 to 5%) for cooking loss, hardness, cohesiveness, gumminess, chewiness, and resilience.ConclusionThe results indicate that breadfruit is a promising ingredient in comminuted beef products. Greater research is warranted to further examine the effect of breadfruit starch on rheological characteristics and microstructure of emulsified beef products; as well as, determine the most appropriate inclusion level of optimal product formation.

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 enseignants0,001
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)0,0000,000
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 Opus0,017
Tête enseignante GPT0,207
Écart entre enseignants0,190 · 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

Citations1
Publié2018
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueMeat and Muscle BiologyMême sujetFood and Agricultural SciencesTravaux en français237 207