Differential scanning calorimetry (DSC) study of thermal properties of mustard proteins and their application as ingredient in beef patty
Notice bibliographique
Résumé
• Albumins 2S and globulins 12S MPI are main fractions. • DSC properties are affected by concentration, salts and sugars. • MPI was successfully used as ingredient in beef patty. • MPI protected beef patty against oxidation. • MPI increased beef patty cooking yield. Thermal properties of mustard protein isolate (MPI) were evaluated by differential scanning calorimetry. MPI is mainly composed of albumins 2S and globulins 12S fractions as the major protein fractions. Also, different conditions affected thermal stability of the used MPI such as the protein concentration, the heating rate, pH of the dispersing medium, addition of different amount of sugar and salts (NaCl or CaCl 2 ). Results revealed that all these conditions must be considered when MPI is used as ingredient in different food matrices, particularly in those subjected to heat treatment such as cooking. Feasibility of beef patty making by using MPI as ingredient was also studied at 1, 2 and 3 % level on meat basis. This study showed that all fresh patties looked similar as the control; indicating that the visual acceptability of the MPI-added beef patty is good. TBARS values were evaluated for fresh samples stored at 4 °C for 24 h and -20 °C after 6 months. Results showed that MPI-added patties have the lowest TBARS values. Also, MPI-added beef patty cooking yield was higher than control (78.27 ± 1.03 %) when MPI was added at 3 % level. This study demonstrated the potential of using MPI in beef patty because of its antioxidant protective effect and good technological impact on product 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 ».