Foaming with Starch: Exploring Faba Bean Aquafaba as a Green Alternative
Notice bibliographique
Résumé
The demand for sustainable and functional plant-based products is on the rise. Plant proteins and polysaccharides often provide emulsification and stabilization properties to food and food ingredients. Recently, chickpea cooking water, also known as aquafaba, has gained popularity as a substitute for egg whites in sauces, food foams, and baked goods due to its foaming and emulsifying capacities. This study presents a modified eco-friendly process to obtain process water from faba beans and isolate and characterize the foam-inducing components. The isolated material exhibits similar functional properties, such as foaming capacity, to aquafaba obtained by cooking pulses. To isolate the foam-inducing component, the faba bean process water was mixed with anhydrous ethanol, and a precipitated fraction was obtained. The precipitate was easily dissolved, and solutions prepared with the alcohol precipitate retained the foaming capacity of the original extract. Enzymatic treatment with α-amylase or protease resulted in reduced foaming capacity, indicating that both protein and carbohydrates contribute to the foaming capacity. The dried precipitate was found to be 23% protein (consisting of vicilin, α-legumin, and β-legumin) and 77% carbohydrate (amylose). Future investigations into the chemical structure of this foam-inducing agent can inform the development of foaming agents through synthetic or enzymatic routes. Overall, this study provides a potential alternative to aquafaba and highlights the importance of exploring plant-based sources for functional ingredients in the food industry.
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 | 0,001 |
| 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 ».