Impact of Five Soy Proteins on Lean Chicken Breast Systems with Varying Moisture Contents: Cooking Loss, Texture, Microstructure, and T2 NMR
Notice bibliographique
Résumé
With increasing global meat consumption, meat–plant hybrid products have gained interest as a sustainable alternative. Soy proteins have been used in small quantities (2–3%) as meat extenders, yet limited data exist on their use at higher levels. Here, five commercial soy proteins (four isolates: SPI-A to -D; one concentrate: SPC) were used for meat replacement in lean meat batters with 0/40/80% added water. Cooking loss, texture, light micrographs, and T2 relaxation were analyzed. At 33% and 66% meat replacement, soy protein treatments maintained comparable or reduced cooking loss; SPI-D and SPC were the least and most effective, respectively. Complete replacement eliminated cooking loss in 0% and 40% water systems but failed to form self-supporting gels in the 80% system. At 33% replacement, SPI-A to -C generally increased hardness, whereas increasing the replacement level further to 66% decreased it. In the 0% and 80% systems, SPI-A treatments exhibited hardness comparable to controls, SPI-D treatments drastically reduced hardness, and SPC treatments maintained greater hardness than the controls even at 66% replacement. Micrographs offered potential explanations for these macroscopic measurements. NMR T2 data indicated that soy proteins restricted water mobility both pre- and post-cooking. Specifically, in the 40% and 80% systems, the T22 peaks (expelled liquid) of the hybrid samples containing 33% SPI-A were ~350 ms and 760 ms, compared to ~570 ms and 1170 ms for the meat controls, respectively. In conclusion, most soy proteins (except SPI-D) enhanced water binding, with SPI-A showing optimal texture and SPC showing promise as a more economical alternative.
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 ».