Transforming traditional tarhana into a functional food: Impact of pulse flour substitution on nutritional and rheological properties
Notice bibliographique
Résumé
The rising demand for functional food products has sparked interest in integrating pulse-based ingredients into traditional foods. This study investigated the effects of replacing 50% of wheat flour (WF) with pulse flours, pinto bean flour (PBF), chickpea flour (CPF), yellow pea flour (YPF), and red lentil flour (RLF), on the physical, nutritional and functional properties of tarhana, a traditional fermented food from the Middle East and Southeastern Europe. Replacement of WF with pulse flours significantly (p < 0.05) enhanced the protein content of tarhana powders. Mineral analysis revealed significant increases in key micronutrients, such as Mg, P, Fe, and Zn, particularly in PBF and CPF-substituted formulations, contributing positively to the recommended dietary allowance of these minerals. The in-vitro protein digestibility (IVPD) of pulse flour-substituted tarhana remained above 78%, with YPF-substituted tarhana demonstrating the highest IVPD (81.63%). The replacement of WF with pulse flours also led to a significant (p < 0.05) increase in total phenolic content, with the highest levels observed in PBF-substituted tarhana (849.72 mg GAE/100 g db), along with enhanced antioxidant capacity. Phenolic profiling confirmed increased levels of key bioactive compounds, including catechin, myricetin, quercetin, and ferulic acid, in pulse flour-substituted tarhana powders. Rheology tests showed that replacement of WF with pulse flours significantly (p < 0.05) lowered the viscosity of tarhana soups. These findings highlight the potential of pulse flours to enhance the nutritional and functional properties of tarhana, transforming this traditional food into a nutritionally-denser, functional food.
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 | 0,001 |
| 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 ».