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 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) | 0,000 | 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 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 ».