Impact of starch-hydrocolloid interaction on pasting properties and enzymatic hydrolysis
Notice bibliographique
Résumé
Hydrocolloids are extensively used for food processing because their techno functional properties (emulsifier, stabilizer, and structural agent). But there is increasing interest in their role connected with nutritional improvements, particularly related to starch hydrolysis rates, which might involve the viscosity resulting from starch-hydrocolloid interaction. The objective of this research was to investigate the impact of gels viscosity on the enzymatic hydrolysis of a range of starch gels made with different starches and hydrocolloids. Heterogeneous systems (starch-hydrocolloid) were prepared with several starches (corn, wheat, rice, potato, cassava, pea) and hydrocolloids (locust bean gum, guar gum, xanthan gum, hydroxypropylmethylcellulose K4M, psyllium) at different concentrations (0%–0.5% - 2.5%). The starch-hydrocolloid pasting behavior and their susceptibility to amylase hydrolysis was recorded with the Rapid Viscoanalyzer following a rapid method (Santamaria, Montes, Garzon, Moreira, & Rosell, 2022a). The viscosity decay due to alpha-amylase activity was modeled to obtain starch gels hydrolysis rate (k). A negative correlation was found among kinetic constant (k) and viscosity at 37 °C (r = −0.55), setback (r = −0.50), and area under the pasting curve (r = −0.42). For instance, xanthan gum and psyllium addition showed strong negative correlation between kinetic constant and viscosity at 37 °C (r = −0.75) and setback (r = −0.79), respectively, particularly when blended with potato starch. These correlations indicate that pasting properties of the starch-hydrocolloid systems might be predictors of the enzymatic digestion rate of the gels, allowing the design of foods with controlled postprandial glucose response.
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 | 0,001 | 0,001 |
| 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 ».