Effect of infrared heating on the nutritional properties of yellow pea and green lentil flours
Notice bibliographique
Résumé
Abstract Background and Objectives To enhance the utilization of pulse ingredients, greater knowledge of the effect of infrared (IR) processing on protein and starch nutrition is needed. The current study investigated the use of tempering (20% vs. 30% moisture) with IR heating (120°C vs. 140°C) to improve the nutritional value of two commercially important pulses: green lentils and yellow peas. Findings Proximate composition remained mostly unchanged after IR heating for both pulse types. The protein's secondary structure transitioned to a state with a higher amount of random coils as IR processing conditions intensified (increase in moisture and temperature). In vitro protein digestibility (IVPD) increased from 73% to 78%−82% for green lentil and 78% to 81%−85% for yellow pea, depending on IR processing treatment. Tryptophan was the limiting amino acid in all samples. The IVPD corrected amino acid scores were not significantly altered by IR processing. The content of rapidly (RDS) and slowly (SDS) digestible starches increased, whereas that of resistance starch declined with IR processing. Conclusions The combined effect of tempering moisture and IR heat as a premilling treatment changed the protein secondary structure but did not improve the overall protein quality of the pulses. Starch digestibility was improved with IR processing. Significance and Novelty Employing tempering and IR heating techniques on pulses may be useful in food and feed applications where improved starch digestibility is desired.
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 ».