The impact of mechanical scouring and moisture conditioning on the in vitro protein digestibility and quality of roller‑milled green lentil (<i>Lens culinaris</i>) and yellow pea (<i>Pisum sativum</i>)
Notice bibliographique
Résumé
Abstract Background and Objectives Milling practices, otherwise refined for specific uses in cereal‐based foods, have not been thoroughly developed for pulses. This study investigates whether scouring and moisture conditioning pretreatments on yellow peas and green lentils can enhance hull removal, and in turn, whether changes in hull removal alter in vitro protein digestibility and quality. Findings Total by‐product losses were significant in green lentils when subject to scouring, which was altered by high moisture addition in yellow peas. The scouring pretreatment altered both the protein digestibility and amino acid scores of green lentils, which translated to improved protein quality in all streams, but significantly in the break flour stream. Yellow peas similarly demonstrated significant improvements in protein quality from scouring, as a result of altered amino acid scores. Conclusion The addition of a scouring procedure can improve the protein quality of yellow peas and green lentils. Significance and Novelty Pulse milling procedures are rarely evaluated for optimization of protein quality. This research establishes milling protocols that may be used to enhance the protein quality of yellow peas and green lentils.
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 | 0,000 |
| 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 ».