The role of the 7S/11S globulin ratio in the gelling properties of mixed β-lactoglobulin/pea proteins systems
Notice bibliographique
Résumé
Using a combination of pea protein isolates (PPI) and β-lactoglobulin (βlg) presents an interesting approach to improve the gelling properties of PPI compared to the use of PPI alone. While controlling the 7S/11S ratio has proven effective in improving the gelling properties of PPI, more complex models need to be studied. Specifically, the effects of diverse 7S/11S ratios and the inclusion of βlg and 2S albumin on gel formation remain unexplored. Therefore, this study aimed to 1) determine the optimal 7S/11S ratios and 2) identify the interactions involved in the formation of model βlg—pea protein gels generated from globulin and albumin-enriched fractions. Results revealed that pea protein gels with a 7S/11S ratio of ∼ 1.89 achieved the highest firmness (131 Pa). Gelation was primarily driven by hydrophobic interactions (∼ 41%) involving 7S vicilin and 2S albumin, while most of the 11S legumin did not contribute to the protein gel. Conversely, a 7S/11S ratio of ≤ 1 facilitated the formation of the firmest gels (300–657 Pa) in the presence of βlg. These gels were primarily formed via disulfide bonds (36–65%) with βlg, 11S legumin, and 2S albumin as the main proteins involved, while 7S vicilin gelled independently through hydrophobic interactions. Based on these results, we propose a mechanism illustrating the interactions in mixed βlg—pea protein gels. This study provides new insights into how 7S/11S ratios, gel firmness, and protein interactions interplay during the gelation of mixed βlg–pea protein systems, paving the way for innovation in developing a new food category.
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 ».