Salmon processing discards: a potential source of bioactive peptides – a review
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Abstract Salmon aquaculture generates 80% of the total revenue of finfish aquaculture across Canada. Salmon farming is carried out in a multilevel process, and at least 60% of the total production is considered as by-products, including skin, head, viscera, trimmings, frames, bones, and roes. These by-products are an excellent source of protein, which can be converted to protein hydrolysates through enzymatic hydrolysis and non-enzymatic processes such as chemical hydrolysis (acid and alkaline) in order to utilize them into value-added products. Several studies have reported that peptides from salmon protein hydrolysates possess bioactivities, including antihypertensive, antioxidant, anticancer, antimicrobial, antidiabetic, anti-allergic, and cholesterol-lowering effects. Incorporating in silico computational methods is gaining more attention to identify potential peptides from source proteins. The in silico methods can be used to predict the properties of the peptides and thereby predetermine the processing, isolation, and purification steps that can be used for the peptides of interest. Therefore, it is essential to implement robust, standardized, and cost-effective processing techniques that can easily be transferrable and scale up for industrial applications in view of circular economy and upcycling concept. This contribution summarizes the latest research information on Atlantic salmon, production statistics, growth lifecycle, processing, protein production techniques, nutritional and functional properties, peptide production and purification processes, as well as potential health benefits as a nutraceutical product. Graphical Abstract
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.
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) | 0,001 | 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 découle