MétaCan
Menu
Retour à la cohorte
Enregistrement W4283321530 · doi:10.3390/foods11131842

The Effect of Pressure–Shift Freezing versus Air Freezing and Liquid Immersion on the Quality of Frozen Fish during Storage

2022· article· en· W4283321530 sur OpenAlexaff
Ting Li, Shiyao Kuang, Ting Xiao, Lihui Hu, Pengcheng Nie, Hosahalli S. Ramaswamy, Yong Yu

Notice bibliographique

RevueFoods · 2022
Typearticle
Langueen
DomaineAgricultural and Biological Sciences
ThématiqueMeat and Animal Product Quality
Établissements canadiensMcGill University
Organismes subventionnairesNational Natural Science Foundation of China
Mots-clésChemistryLiquid nitrogenBass (fish)Immersion (mathematics)CongelationTBARSAnimal scienceFood scienceFisheryAntioxidantBiochemistryBiology

Résumé

récupéré en direct d'OpenAlex

In this study, a self-cooling laboratory system was used for pressure−shift freezing (PSF), and the effects of pressure−shift freezing (PSF) at 150 MPa on the quality of largemouth bass (Micropterus salmoides) during frozen storage at −30 °C were evaluated and compared with those of conventional air freezing (CAF) and liquid immersion freezing (LIF). The evaluated thawing loss and cooking loss of PSF were significantly lower than those of CAF and LIF during the whole frozen storage period. The thawing loss, L* value, b* value and TBARS of the frozen fish increased during the storage. After 28 days storage, the TBARS values of LIF and CAF were 0.54 and 0.65, respectively, significantly higher (p < 0.05) than the 0.25 observed for PSF. The pH of the samples showed a decreasing trend at first but then increased during the storage, and the CAF had the fastest increasing trend. Based on Raman spectra, the secondary structure of the protein in the PSF-treated samples was considered more stable. The α-helix content of the protein in the unfrozen sample was 59.3 ± 7.22, which decreased after 28 days of frozen storage for PSF, LIF and CAF to 48.5 ± 3.43, 39.1 ± 2.35 and 33.4 ± 4.21, respectively. The results showed that the quality of largemouth bass treated with PSF was better than LIT and CAF during the frozen storage.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,002
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut 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 enseignants0,382
Score d'incertitude au seuil0,574

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0020,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0010,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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 Opus0,039
Tête enseignante GPT0,270
Écart entre enseignants0,230 · 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 tête enseignante, 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

Citations38
Publié2022
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueFoodsMême sujetMeat and Animal Product QualityTravaux en français237 207