Generating Multi-Functional Pulse Ingredients for Processed Meat Products—Scientific Evaluation of Infrared-Treated Lentils
Notice bibliographique
Résumé
In the last decade, various foods have been reformulated with plant protein ingredients to enhance plant-based food intake in our diet. Pulses are in the forefront as protein-rich sources to aid in providing sufficient daily protein intake and may be used as binders to reduce meat protein in product formulations. Pulses are seen as clean-label ingredients that bring benefits to meat products beyond protein content. Pulse flours may need pre-treatments because their endogenous bioactive components may not always be beneficial to meat products. Infrared (IR) treatment is a highly energy-efficient and environmentally friendly method of heating foods, creating diversity in plant-based ingredient functionality. This review discusses using IR-heating technology to modify the properties of pulses and their usefulness in comminuted meat products, with a major emphasis on lentils. IR heating enhances liquid-binding and emulsifying properties, inactivates oxidative enzymes, reduces antinutritional factors, and protects antioxidative properties of pulses. Meat products benefit from IR-treated pulse ingredients, showing improvements in product yields, oxidative stability, and nutrient availability while maintaining desired texture. IR-treated lentil-based ingredients, in particular, also enhance the raw color stability of beef burgers. Therefore, developing pulse-enriched meat products will be a viable approach toward the sustainable production of meat products.
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 | 0,003 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 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 ».