Development of a Whey Protein Recovery Process Using Sugar Kelp (Saccharina latissima) Extracts
Notice bibliographique
Résumé
Whey is the largest waste product of the cheese-making industry and the current methods of extracting the nutrients from it are costly and inefficient. This study assessed the feasibility of using crude polysaccharides to flocculate proteins from liquid whey waste. The flocculants used were a sugar kelp (Saccharina latissima) extract, as well as commercial seaweed polysaccharides, alginate and k-carrageenan, to recover proteins from the liquid whey waste. Physicochemical and functional parameters including protein content, protein recovery efficiency, mineral content, total phenolic content (TPC), antioxidant capacity, color, water- and oil-holding capacity, gelling capacity, foaming activity and stability, and emulsifying activity and stability were tested on the resulting flocculates. The yield of the dried flocculates by use of alginate, the sugar kelp polysaccharide extract (SKPE), and carrageenan were 1.66, 0.98, and 1.22 g/100 g of liquid whey with protein contents of 27.4%, 45.5%, and 37.5%, respectively. The protein recovery efficiency from the whey was 57.5%, 56.2%, and 57.9% using alginate, SKPE, and carrageenan, respectively. The alginate flocculate had the highest oil-holding capacity and foaming abilities while the carrageenan flocculate had the best gelling ability and the highest emulsifying activity and stability. TPC and antioxidant activity were highest in the SKPE flocculate. All three flocculates presented slightly different compositional and functional qualities, which could be used for a variety of products. This study showed that seaweed polysaccharides present a simple and effective way to extract protein from liquid whey waste while creating a functional and high-protein ingredient.
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 ».