High‐ and Low‐Protein Pea Genotypes: A Comparative Study of the Physicochemical, Functional, and Quality Properties of Protein Isolates
Notice bibliographique
Résumé
ABSTRACT Background and Objectives This study evaluated the effect of seed protein content on the composition, physicochemical, functional, and quality properties of pea protein isolates recovered through alkaline extraction/isoelectric precipitation. Samples were divided into three high‐protein lines (HPL), three low‐protein lines (LPL), and one control (medium protein). Findings Isolates derived from HPLs had higher protein (92.4%–94.5%) compared to LPLs (79.9%–88.7%) and the control (~92%). The protein content was significantly correlated to the legumin/vicilin ratio (1.0–1.8), surface charge (−38 to −23 mV), and surface tension (49–52.7 mN/m). No significant correlation was observed between protein content and functionality. Minor variation was observed for emulsifying (17.7–22.1 m 2 /g) and foaming (160%–215%) properties. LPLs presented higher amino acid score (0.83), and In Vitro protein digestibility corrected amino acid score (~0.72) than HPLs (~0.72 and ~0.64, respectively). Protein digestibility was in the range of ~87% for all lines. Conclusions Seed protein concentration impacted the pea protein isolates' proximate composition, quality, and physicochemical/surface properties. HPLs presented higher total protein content and LPLs presenting overall higher protein quality, whereas functionality did not differ significantly between HPLs versus LPLs. Significance and Novelty Our findings highlight the importance of sourcing and selecting pea lines tailored to specific applications, with a trade‐off between protein quantity versus quality.
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 ».