Hybrid meat batter system: effects of plant proteins (pea, brown rice, faba bean) and concentrations (3–12%) on texture, microstructure, rheology, water binding, and color
Notice bibliographique
Résumé
A lean meat batter system was mixed with four plant proteins at 3, 6, 9 and 12% (w/w): pea protein A (PA), pea protein B (PB), brown rice protein (BR) and faba bean protein (FB). Texture profile analysis (TPA) revealed that increasing plant protein levels hardened the hybrid meat batters, with PA and PB leading to the hardest gels. TPA results were supported by the micrographs, demonstrating that the two pea proteins formed large aggregates, contributing to a firmer hybrid meat gel. Dynamic rheology showed that the incorporation of plant proteins lowered the modulus of rigidity (G') during the heating stage (20 -72°C), yet the 6% PA treatment produced a final G' (after cooling) closest to the control (CL). NMR T2 relaxometry also demonstrated that plant proteins reduced the water mobility in hybrid meat batters. Results were in line with the cooking loss, except for a higher cooking loss in the BR formulation compared to the CL. Color measurement showed that increasing plant protein levels led to darker and yellower meat batters; however, the effect on redness varied among treatments. Overall, the findings suggest that pea proteins have superior functionality and compatibility within a lean poultry meat protein system, compared to BR and FB tested here.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| 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) | 0,001 | 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 source (Gemma direct ou Codex distillé), 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 ».