MétaCan
Menu
Retour à la cohorte
Enregistrement W4317726056 · doi:10.1177/10820132231152279

Green alternative for sodium metabisulfite substitution: Comparison of bacterial and fungal proteases effect in hard biscuit making

2023· article· en· W4317726056 sur OpenAlexaff
Farzad Saberi, Fatemeh Kouhsari, Nicola Gasparre

Notice bibliographique

RevueFood Science and Technology International · 2023
Typearticle
Langueen
DomaineAgricultural and Biological Sciences
ThématiqueMeat and Animal Product Quality
Établissements canadiensUniversity of Manitoba
Organismes subventionnairesnon disponible
Mots-clésSodium metabisulfiteProteasesFood scienceChemistryProteaseSodiumFood spoilageEnzymeBacteriaBiochemistryBiologyOrganic chemistry

Résumé

récupéré en direct d'OpenAlex

Sodium metabisulfite is one of the most employed reducing agents in hard biscuit making. The recent results about its adverse effects on human health have pushed us to look in new safer and greener directions. Two different proteases, from distinct strains (bacterial and fungal), were selected and their effects on the dough thermomechanical performances, texture, and structure of the hard biscuits were compared with those obtained from the sodium metabisulfite. Doughs treated with fungal protease showed higher stability during mixing and higher consistency throughout the heating stage. On the other hand, bacterial protease had the greatest weakening effect on protein with a marked reduction of starch gelatinization. Doughs processed with fungal enzymes reached similar values to those containing sodium metabisulfite. In terms of hardness, no significant ( p < 0.05) differences were found between biscuits made with bacterial protease and sodium metabisulfite. Analysis of the volumetric characteristics highlighted that bacterial enzymes gave higher values of specific volume and surface area. Regarding the structure of the hard biscuits, sodium metabisulfite produced a more uniform structure with fewer and smaller pockets as compared with the samples treated with proteases.

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)0,001
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: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,250
Score d'incertitude au seuil0,202

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0010,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,001
Études des sciences et des technologies0,0000,001
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 Opus0,072
Tête enseignante GPT0,324
Écart entre enseignants0,251 · 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

Citations4
Publié2023
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueFood Science and Technology InternationalMême sujetMeat and Animal Product QualityTravaux en français237 207