Unlocking hidden potential of rice bran: Enzymatic treatment for enhancing techno-functional properties
Notice bibliographique
Résumé
Rice bran (RB) is a by-product with limited application due to technological constraints. Enhancing its technological functionality as potential food ingredient will improve the sustainability of rice production. The aim was to study the impact of enzymatic and thermal treatments on defatted rice bran using six distinct commercial enzymes (carbohydrases and proteases) and dry heating by evaluating its technological, nutritional and functional properties. Enzymatic treatment increased up to 208% the soluble dietary fiber content (8.19 g/100 g) of defatted RB. Moreover, the solvent retention capacity, including water, oil, sodium carbonate, and sucrose, exhibited a noteworthy increase across all treatments ( p < 0.05). Bran color changed after treatments, increasing its luminosity ( L* ) and decreasing the value of a* in all cases, but b* decreased when treated with protein-acting enzymes while increased with carbohydrate-acting enzymes. Proteases played a pivotal role in reducing particle size and forming gels requiring minimal force for application. Microscopic analysis revealed that carbohydrases-treated samples exhibited prominent cell wall breakage, while protease-treated ones showed a gel-like surface with less distinct protein bodies and layered walls. These comprehensive study sheds new transformations brought about by these enzymatic interventions, offering valuable insights into the optimization of rice bran functionality. • Carbohydrases, proteases and thermal treatments modify defatted rice bran. • Enzymatic treatment shifts hemicellulose from an insoluble to a soluble fraction. • Alcalase significantly reduces the particle size distribution of defatted rice bran. • Enzymatic treatment increases water and oil binding capacity of defatted rice bran.
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 | 0,000 | 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 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 ».