Seeding and gelation properties of lentil protein nanofibrils
Notice bibliographique
Résumé
Converting plant proteins into functional amyloid fibrils may be an effective means to improve their utility in novel foods and materials. Most research on engineered fibrils has focused on animal proteins, while plant seed storage proteins tend to be more heterogeneous and poorly characterized regarding their fibril assembly into films, gels, and hierarchical structures. This work studied the kinetics of lentil protein fibrillization, the conversion yield, the effect of seeding, and the gelation properties of crude and isolated fibrils. Seeding with 3% (w/w) preformed fibril fragments significantly decreased the lag time (from 6.5 h to 3.8 h) (p<0.05), whereas the growth rate, conversion yield, and morphology were not affected significantly by seeding. Lentil protein fibrils were able to form colorless, translucent thermal gels after heating the protein extract at pH 2 for 24 h. The gel network formed by the fibrils was fine and compact, providing superior mechanical strength (5.2 ± 0.7 kPa) and water holding capacity (87%) to the gel at a relatively low protein concentration (6%). Isolated fibrils were susceptible to post-fibrillization processing, including vacuum evaporation and increasing the pH from 2 to 3–8, altering the fibril morphology and reducing thermal and cold gelation functionality.
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 ».