Cellulose nanofibrils-stabilized legume protein-based pickering emulsions for capsaicin delivery: Fabrication, characterization, and encapsulation mechanism exploration
Notice bibliographique
Résumé
Capsaicin (CAP) faces limitations in its widespread application due to its low bioaccessibility. Pickering emulsions based on legume proteins are efficient for encapsulating bioactive compounds, but poor solubility and environmental sensitivity of proteins undermine emulsion stability. To tackle these challenges, this study developed a novel Pickering emulsion by using cellulose nanofibrils (CNFs) and chickpea protein isolate (CPI) for efficient CAP delivery. The combination of CPI and CNF at a ratio of 20꞉1 ( w/w ) exhibited the highest encapsulation efficiency (70.90% ± 1.66%) and sustained release properties during in vitro digestion, thereby enhancing CAP bioaccessibility from 39.40% ± 2.33% to 81.54% ± 1.95%. Notably, CNF also enhanced emulsion stability through enhanced hydrogen bonding, reduced droplet size (589.51 ± 47.08 nm), and increased hydrophobicity (contact angle: 85.83° ± 1.20°). Comprehensive characterization revealed that the incorporation of CNF significantly improved the colloidal properties of the emulsion, including its rheological behavior and thermal stability. Mechanistic investigations demonstrated that the enhanced encapsulation capability was attributed to the formation of stable hydrogen-bonding networks between CNF and CPI. Moreover, CAP is bound with CPI through synergistic hydrogen bonding and van der Waals interactions, with Arginine-179 identified as the key residue for binding (binding free energy: –10.46 kJ/mol). These findings offer valuable insights into the development of plant-based nanocarrier systems and highlight the potential of CNF-legume protein complexes in the delivery of bioactive compounds.
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 | 0,001 | 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 ».