Enhancing color and bioactive retention during purple eggplant drying via sonicated pretreatments and optimized blanching
Notice bibliographique
Résumé
The retention of color, bioactive compounds, and texture during drying remains a challenge for the food processing industry. This study investigates the effects of sonication-assisted calcium chloride and ascorbic acid (1–2% solution) pretreatments combined with optimized blanching on the quality retention of dried purple eggplant. Different pretreatment methods, including sonication and blanching, were applied to eggplant slices followed by hot-air drying. Results showed that sonication significantly improved color retention, with sonicated samples maintaining higher lightness (L∗-value of 7.8 ± 0.4 for SSnB2) compared to non-sonicated controls (L∗-value of 6.6 ± 0.4 for SB2). The ΔE∗ (total color difference) for sonicated treatments was lower (7.5 ± 1.5 for SSnB2) compared to non-sonicated treatments (10.5 ± 1.2 for SB1), indicating superior color stability. Bioactive compound retention was enhanced, with sonicated samples exhibiting higher levels of polyphenols (12.8 ± 0.6 mg GAE/g DW), flavonoids (4.4 ± 0.5 mg QE/g DW), and anthocyanins (8.9 ± 0.6 mg C3G/g DW) compared to non-sonicated samples. DPPH scavenging activity was also higher in sonicated samples (75% ± 1.5 for SSnB2), compared to non-sonicated samples (75% ± 1.6 for SB2). Sensory evaluations showed that sonicated samples scored higher in color (7.8 ± 0.4), texture (7.5 ± 0.4), and overall acceptability (8.0 ± 0.3) compared to non-sonicated samples. These findings confirm that sonication, combined with blanching, significantly enhances the quality, bioactive retention, and consumer acceptability of dried purple eggplant, offering a promising, scalable technique for the food industry.
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 ».