Cold plasma jet-induced modifications in pea protein: A comparative study of gas-specific effects
Notice bibliographique
Résumé
Air-classified pea protein concentrate (PPC) offers a sustainable solution for meeting the nutritional demands of a growing global population. This study investigated the effects of cold plasma (CP) jet-based non-thermal treatment, using air, nitrogen, and helium gases, on the structural, functional, and volatile profile of PPC. The diversity of reactive species generated by CP, influenced by gas type and flow rate, led to distinct modifications in treated PPC. For air and nitrogen-fed CP treatments, a noticeable reduction in the α-helix content was observed, accompanied by an increase in the random coil structures, indicating a transition process from ordered to unordered protein conformations. Functional analysis revealed that air-fed CP significantly improved protein solubility, water-holding capacity (WHC), and oil-holding capacity (OHC), while nitrogen-fed CP primarily enhanced WHC and OHC, and helium-fed CP increased OHC only at a flow rate of 4 L/min. Additionally, the CP treatment resulted in changes to the color of the pea protein, with the most pronounced bleaching effect found in samples treated by the air-fed CP. Cold plasma treatment under various conditions also yielded distinct volatile compound profiles in the treated PPC. These findings provide valuable insights for optimizing CP applications in plant protein modifications. • Type of gas supplied to the cold plasma jet greatly influenced protein changes in pea protein concentrate. • Air-fed plasma improved solubility, water and oil holding capacity, and caused major structural changes. • Nitrogen and helium plasmas mainly improved water and oil holding capacity under specific conditions. • Different cold plasma-fed gases produced distinct volatile profiles in treated pea protein concentrate.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,002 | 0,014 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 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 ».