Dispersion of low concentration of particulate or fibrillated protein fillers into plant protein melts and their impact on the elasticity and tenderness gap of plant-based foods
Notice bibliographique
Résumé
The development of plant-based foods has emerged as a promising strategy to decrease meat consumption. Using predominantly globular plant proteins challenge the crafting of cohesive, viscoelastic, and anisotropic structures similar to animal meat. In this study, we investigated the effect of incorporating low concentrations (<1%, w/w) of the polar gelatin or the non-polar zein on the mechanical properties of high moisture meat analogue prototypes. These proteins were studied in both particulate (bulk) and nano-fibrillated forms. Building on our previous work, soy protein (68% protein) and mung bean protein (81% protein) concentrates were chosen based on their distinct protein purity and high propensity to rearrange into new ordered secondary structural elements upon extrusion. Gelatin and zein were incorporated into the extrusion process via aqueous dispersion in particulate form or previously converted into nanofibers (210–440 nm diameter) using food-grade electrospinning. The incorporation of both fillers (either particulate or fibrillate) decreased the elasticity and Warner-Bratzler force (WBSF, known to be inversely correlated to meat tenderness) of mung bean extrudates. However, the addition of 0.1% fibrillated gelatin or particulate/fibrillated zein increased up to 44% or 22% the WBSF of soy extrudates, respectively. In all cases, the incorporation of fillers caused dramatic concentration-dependent changes in the secondary structures (FTIR) of soy proteins and the water mobility (LF-NMR) of extrudates. This work highlights the potential of multifunctional fillers and the combination of top-down (extrusion) and bottom-up (fibrillation) approaches to close the tenderness gap between animal meat and structured foods made with less-refined plant-protein fractions.
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 ».