Preparation of lentil and quinoa protein complexes through protein–protein interactions and water kefir–assisted fermentation to improve protein quality and functionality
Notice bibliographique
Résumé
Introduction Industrial applications of lentil (LP) and quinoa (QP) proteins are limited due to their relatively poor water solubility. In this study, a combination of protein-protein interaction (PPI) and fermentation was used to improve the functionality and nutritional value of LP by conjugating them with QP. The reaction conditions between LP and QP for producing these conjugates were established. Methods The ratio of LP to QP was equal (50:50), and complexation was carried out at 25°C for 60 min. Fermentation of the solubilized LP-QP complexes (1%, w/v) for 5 days at 25°C with water kefir (5%, v/v) was carried out to enhance the protein quality and functionality of the LP-QP complexes. Results The combined technique significantly enhanced protein digestibility, decreased the proportion of α-helices in the protein structure in favor of random coil components, and improved the phenolic content of the LP-QP complexes. Digestibility increased to 87%, up from 76% for unfermented LP-QP. Moreover, the LP-QP complexes produced using the combined technique generated a highly nutritional protein with a reduced saponin content. Conclusion This research revealed that a combination of PPI and water kefir fermentation significantly enhances the nutritional and functional quality of LP, creating new opportunities for leveraging the growing popularity of plant-based proteins into high-value industrial applications.
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 | 0,001 | 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 | 0,001 |
| 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 ».