Developing thermally stable beverage emulsions using mildly fractionated pea proteins
Notice bibliographique
Résumé
Abstract Oil‐in‐water emulsions are widely used as the base flavoring or clouding agents in various beverages. Pulse proteins can play a major role as a natural emulsifier in beverages. However, the presence of insoluble components greatly minimizes their potential application in beverage emulsions. In this work, pea protein concentrate was mildly fractionated by aqueous centrifugation to recover a soluble fraction with 71% protein yield, which was then used to develop 5% oil‐in‐water emulsions using a high‐pressure homogenizer. Emulsion stability was tested by heat treatment (90°C, 30 min) in the presence of NaCl (0–1 M) at pH 7.0 and 2.0. Stability increased upon the addition of salt at pH 7, while at pH 2, proteins and droplets aggregated. Heat treatment led to extensive aggregation at both pH values, which was further worsened by salt. To prevent thermal destabilization, the proteins were heat‐treated at 75°C for 30 min for partial denaturation before emulsification under hot conditions. The heat‐treated protein‐stabilized emulsions at pH 7 had superior thermal stability at all salt concentrations without aggregation. However, a similar improvement was not observed at pH 2. Pre‐heating the soluble protein exposed the hydrophobic patches, leading to better adsorption on the droplet surface, which did not show additional aggregation upon further heating the emulsions at pH 7. Interestingly, heat‐treated protein‐stabilized emulsions showed a 44% drop in lipid digestibility compared to the original emulsions. The proposed approach could be a valuable addition to the utilization of pea proteins in beverage emulsions that could withstand heat treatment during food processing.
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 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 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 ».