پایدارسازی آنتوسیانینهای عصاره چای ترش با استفاده از پلی فنلها
Bibliographic record
Abstract
زمینه مطالعاتی: آنتوسیانینها بهطور گسترده بهعنوان رنگهای طبیعی در غذاها مورد استفاده قرار میگیرند اما در هنگام ذخیرهسازی بسیار مستعد تخریب شیمیایی هستند و این مسئله منجر به از بین رفتن رنگ آنها میشود. ﻳﻜﻲ از راهکارهای ﻣﺆﺛﺮ در ﺣﻔﻆ رﻧﮓ و پایداری آﻧﺘﻮﺳﻴﺎنینها، کوپیگمنتاسیون است. هدف از این تحقیق: بررسی اثر عصارههای گیاهی طبیعی (چای سبز، رزماری، مریم گلی و گل سرخ) در جلوگیری از تخریب رنگدانههای آنتوسیانینی موجود در عصاره چای ترش طی دوره نگهداری (7 روز/دمای ℃ 40 در حضور نور) بود. روش کار: در این مطالعه به عصاره چای ترش با بریکس 12 (بهعنوان منبع غنی از آنتوسیانین)، 30 درصد وزنی/وزنی از عصارههای گیاهی (بهعنوان کوپیگمنت) برای مهار تخریب آنتوسیانینها اضافه گردید. بهمنظور ارزیابی اثر کوپیگمنتاسیون عصارهها و سرعت بخشیدن به تخریب رنگدانههای آنتوسیانینی، به نمونهها میزان 05/0درصد وزنی/وزنی اسید آسکوربیک اضافه شد و سپس تیمارها در دمای ℃40 در مقابل نور به مدت 7 روز نگهداری شدند. نتایج: افزودن عصارههای گیاهی بهطور معنیداری (05/0 ≥P) توانست محتوای آنتوسیانینی عصاره چای ترش را حفظ کند. در این میان پلیفنلهای موجود در عصاره چای سبز اثر کوپیگمنتاسیون مؤثرتری را نسبت به سایر عصارههای گیاهی دیگر از خود نشان دادند و شاخص تخریب آنتوسیانین در حضور این ترکیب، در روز 7 نگهداری از 150/3 به 930/1 تقلیل یافت. نتیجهگیری کلی: بهطورکلی، این مطالعه استفاده بالقوه از پلی فنلهای خاص در تقویت پایداری رنگدانههای آنتوسیانینی در هنگام استفاده از اسید آسکوربیک را نشان میدهد.
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 | 0.001 | 0.003 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.002 | 0.001 |
| Scholarly communication | 0.003 | 0.002 |
| Open science | 0.001 | 0.002 |
| Research integrity | 0.002 | 0.002 |
| Insufficient payload (model declined to judge) | 0.109 | 0.082 |
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".