Legume starch and flour-based emulsion gels as adipose tissue mimetics in plant-based meat products
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
• Adipose tissue mimetics were fabricated with pea starch and chickpea flour containing 40 % oil. • The mechanical properties, melting behavior and oil retention of the adipose tissue mimetics matched those of pork and beef adipose tissue. • Incorporation of adipose tissue mimetics into extra lean ground beef resulted in a burger with similar textural properties as medium ground beef. • Adipose tissue mimetics retain oil and provide texture to ground meat analogue products. Fat in meat analogues is present in free form; however, in animal tissue it is located within the collagen scaffolds of adipose tissue. The absence of adipose tissue in plant-based meat analogues is partially responsible for some negative textural sensorial properties of these products, including a lack of hardness, chewiness, juiciness, and oil binding. Pea starch, a sustainable and cost-effective gelling agent, provides structure and oil retention at high temperatures. X-ray micro-computed tomography shows that pea starch emulsion gels form a starch network containing oil in pockets, resembling adipocytes. We also determined that addition of chickpea flour reduces oil loss without sacrificing texture, and an optimal 6 % pea starch, 4 % chickpea flour, 40 % oil (7:3 coconut: sunflower oil) gel was fabricated. The thermal behaviour of the emulsion gels are shown replicate that of beef adipose tissue from 5–85°C . The texture profile of lean ground beef can be matched to medium ground beef when emulsion gels are added to achieve the same fat content. Pea starch/chickpea flour-based emulsion gels can effectively replicate the functional properties of beef adipose tissue.
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.
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 découle