Industrial processing of chickpeas ( <i>Cicer arietinum</i> ) for protein production
Notice bibliographique
Résumé
Abstract The increasing global interest in plant‐based proteins stems from concerns about the environmental impact, sustainability, animal welfare, and health implications associated with consuming animal‐based proteins. In the frame of alternative protein sources, chickpea ( Cicer arietinum ) emerged as a rich source of dietary proteins besides containing good amount of carbohydrate, fat, and fiber. As a protein ingredient, chickpea is available in three forms, namely, flour, concentrate, and isolate. This chickpea protein can be extracted using both wet and dry fractionation methods where the former one includes wet extraction followed by isoelectric precipitation, while the later one indicates dry milling followed by air classification. However, different nonthermal emerging technologies have been seen to assist in extracting protein as well as modifying their functionalities. This review gives an outline of the recently available literature on composition, industrial processing and associated technological challenges, functionality, and application of chickpea protein ingredients. Furthermore, discussion on the modification/improvement of chickpea protein functionality with the assistance of emerging technologies and the potentiality of by‐products produced during chickpea protein processing are also included. Based on the available findings and discussion, it is seen that apart from being a comparable source of alternative animal‐based protein to extract, chickpea derived by‐products can also be a potential source of valued ingredients that might contribute to the circular economy.
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 | 0,001 |
| 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 ».