Optimization of Gluten-Free Bread Formulation Using Whole Sorghum-Based Flour by Response Surface Methodology
Notice bibliographique
Résumé
The growing awareness of celiac disease and gluten sensitivities has generated interest in gluten-free products. Whole sorghum (Sorghum bicolor) is an excellent source of nutrients and is gluten-free. However, the absence of gluten makes it technologically challenging to produce leavened products. This research aims to utilize a response surface methodology to optimize the specific loaf volume and crumb firmness of a whole sorghum-based gluten-free bread formulation, evaluating different levels of milk powder, egg white, yeast, sugar, psyllium husk powder, xanthan gum, and soy lecithin. The models fit achieved an R2≥80%. The optimized formulation increased the specific loaf volume from 1.7 to 2.8 cm3 g−1 and decreased crumb firmness from 10.6 to 3.7 N compared to the initial gluten-free bread formulation (C1). Egg white, milk powder, and psyllium contribute to the formation of a gluten-like network, which enables gas retention, dough expansion, and volume increase. In addition, soy lecithin, among hydrocolloids, enhances dough stability and moisture retention, resulting in a softer crumb. Sensory evaluation indicated good consumer acceptability (average score of 7 on a 9-point hedonic scale), particularly for texture and flavor. These findings suggest that optimal formulation of sorghum achieves both technological and sensory properties, supporting its potential as a viable gluten-free bread alternative.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».