Evaluación da la actividad de tres enzimas proteolíticas como biocatalizadores lácteos
Bibliographic record
Abstract
El estudio de las enzimas proteolíticas a nivel industrial tiene una gran importancia ya que su utilidad catalítica podrá ser utilizada especialmente en la industria láctea, por lo que el objetivo del estudio fue la obtención de tres enzimas proteolíticas a partir de la piña (Annanas-cosmosus L), papaya (Carica-papaya) y el higo (Ficus-carica L), para lo cual se utilizaron técnicas diferentes de extracción del látex, aplicando un diseño completamente al azar y Tukey como prueba estadística, contando con 5 repeticiones y un tamaño de unidad experimental de 5kg, dando como resultado diferencias altamente significativas entre las tres enzimas estudiadas, en tanto que, para la obtención del látex se utilizaron los métodos de la ruptura mecánica para la piña, cortes longitudinales para la papaya e higo. Se obtiene valoraciones físico-químicas de 7,62 Brix y 5,48 de pH para la papaya, 12,12 Brix y 2,20 de pH de para la piña y 7,24 Brix con 6,48 pH para el higo, mientras que, en lo que corresponde al rendimiento se puede mencionar que con 18 g/Kg la ficina es la enzima con mejor resultado. Para la actividad enzimática se empleó un diseño completamente al azar con un tamaño de unidad de 0,0375mg de enzima utilizando leche como sustrato para el proceso de catálisis reportándose valores de, 15,74 U/mg proteína con un tiempo de 73,92seg para la bromelina, 15,09 U/mg proteína con un tiempo de coagulación de 61,44seg para la papaína y 14,87 U/mg proteína con un tiempo de 58 segundos para la ficina indicando que los resultados presentan diferencias altamente significativas y demostrando que la ficina es la enzima que presenta una velocidad enzimática y tiempo de coagulación eficaces y eficientes.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.000 | 0.000 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.000 | 0.000 |
| Science and technology studies | 0.000 | 0.000 |
| Scholarly communication | 0.001 | 0.000 |
| Open science | 0.000 | 0.000 |
| Research integrity | 0.000 | 0.000 |
| Insufficient payload (model declined to judge) | 0.001 | 0.000 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".