From Waste to Plant‐Based Protein: Impact of Solid‐State Fermentation on Functionality and Protein Extraction of Cassava Leaves
Notice bibliographique
Résumé
ABSTRACT Background and Objectives Cassava leaves represent a significant waste stream in cassava cultivation, currently underutilized in both food and nonfood applications. This study investigates the use of solid‐state fermentation with Aspergillus oryzae , Lactobacillus plantarum , and Bacillus subtilis to modify the composition and functional properties of cassava leaf flour (CLF), as well as to serve as a pretreatment for wet fractionation aimed at producing higher protein ingredients. Finds Results showed that fermentation increased the protein content of CLF while reducing anti‐nutritional compounds. Fermentation had no significant effect on water‐holding capacity or protein digestibility, but it increased oil‐holding capacity and decreased solubility. Alkaline extraction followed by isoelectric precipitation was applied to extract proteins from the fermented CLF; however, fermentation did not improve protein availability, as evidenced by the lower protein purity of the concentrates when compared to non‐fermented samples. Nevertheless, the functional properties of the protein concentrates obtained from the fermented cassava leaves were improved, demonstrating a positive effect of fermentation on the extracted protein's techno‐functional potential. Conclusions Overall, fermentation increased the protein content of CLF, reduced anti‐nutritional compounds, and enhanced the functional properties of the extracted protein. Significance and Novelty These findings suggest that fermentation of cassava leaf flour represents a viable biotechnological strategy for sustainable food industry applications, contributing to the development of more sustainable food supply chains.
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 ».