Identifying microbial proteins and changes in proteome in spontaneously fermented pulse protein isolates
Notice bibliographique
Résumé
Pulses are a sustainable source of plant-based proteins, but they often fall short in terms of sensory attributes and functionality. Fermentation has been investigated as a natural food processing method to address these limitations. Spontaneous fermentation, where native microflora grow without the addition of specific microbes, has been traditionally used in food processing by various cultures around the world. However, there is a knowledge gap regarding the changes that occur in protein composition during spontaneous fermentation. This study used capillary gel electrophoresis and liquid chromatography coupled to tandem mass spectrometry to examine the changes in protein size distribution, identify microbial proteins and understand proteome-level changes that occurred during the spontaneous fermentation of three protein isolate substrates: chickpea, faba bean, and lentil. The findings revealed that proteins from a variety of bacterial and fungal species were identified in all substrates, and the number and quantity of these microbial proteins increased during spontaneous fermentation. This rise in microbial protein content was associated with the hydrolysis of proteins from the pulse substrates, which could potentially alter the functionality of the protein ingredient. • First proteomics study of spontaneous fermentation of chickpea, lentil and faba bean. • Identification of diverse proteins produced by indigenous microflora. • Changes in the proteome of substrate and indigenous microflora during fermentation. • Identified variations between substrates in their indigenous microbial protein content.
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 | 0,001 |
| 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 ».