Optimization of Water Lentil (Duckweed) Leaf Protein Purification: Identification, Structure, and Foaming Properties
Notice bibliographique
Résumé
Water lentil, commonly known as duckweed, is an aquatic plant with great agronomic potential, as it can double its biomass in less than 24 h and contains up to 45% leaf proteins on a dry matter basis. However, extracting proteins from leaves is an arduous process due to the complexity of the matrix, which limits their uses in the food industry. In this study, water lentil protein extraction by solubilization was maximized using response surface methodology. By heating at 80 °C at pH 11 with a water lentil powder concentration of 2% or 4% for 2 h, up to 77.8% of total proteins were solubilized. Then, by precipitating the solubilized proteins at pH 4, a protein purity of 57.6% combined with a total protein yield of 60.0% was achieved. To the best of our knowledge, this is the highest leaf protein extraction yield reported in the literature with such protein purity. Proteomics analyses showed that the protein concentrate was composed of around 85.0% RubisCO, and protein structure analyses using ATR-FTIR and DSC were linked to a high protein solubility in water at pH 7. Moreover, a 1.5% protein solution of the protein concentrate at pH 7 showed excellent foaming properties compared to a 10.3% protein egg white solution. It had a superior foaming capacity (194% vs. 122%, respectively) for the same foaming stability after 60 min, which confirms water lentil proteins' potential for human nutrition and food formulation.
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 ».