Effects of 0–12% soy proteins (four texturized and one isolate) on a lean hybrid meat system: cooking loss, texture, dynamic rheology, microstructure, and T2 NMR
Notice bibliographique
Résumé
• SPI and four TSPs were evaluated in a lean meat system. • Increasing soy protein inclusion decreased cooking loss and increased hardness. • SPI increased the final storage modulus G'. • TSPs reduced the T 2 NMR relaxation time more than SPI. • Small-size TSP caused discontinuities in the meat matrix at 12 % inclusion. Meat and plant hybrid products have recently emerged as part of the global plant-forward movement. Soy proteins have been used at low levels (2–3 %), in meat products since the 1960s, mainly to enhance yield and sensory characteristics. This study assessed the structure-function relationship in products containing 0–12 % soy protein isolate (SPI) and four texturized soy proteins (TSPs: TA, TB, TC, and TD). Soy proteins significantly reduced cooking loss and increased hardness compared to the control (CL, no soy), with these effects intensifying as inclusion levels increased. At 12 %, TD resulted in lower hardness than the other soy proteins. Dynamic rheology revealed that at 6% inclusion, SPI increased the final storage modulus (G') compared to the CL, whereas TA, TB, and TC decreased it. The TD treatment exhibited a final G' similar to CL. Micrographs showed that 12 % TB (smallest texturized soy particles) caused discontinuity in the meat matrix, while TD (largest particles) confined meat components within its structure. T 2 NMR profiles revealed that all soy proteins restricted the water mobility of the meat batters, with TSPs showing a more pronounced effect than SPI. The relative order of T 21 values of cooked meat batters aligns with the cooking loss results. Overall, TSPs showed superior water binding to SPI. In this study, the larger size of TSPs likely had a favorable effect on their binding to the meat matrix at the high inclusion level (12 %). These findings provide insights into the selection of soy proteins for hybrid meat production.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| 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) | 0,001 | 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 source (Gemma direct ou Codex distillé), 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 ».