Étude du fractionnement d'un hydrolysat trypsique de B-lactoglobuline par électrodyalise avec membrane d'ultrafiltration
Bibliographic record
Abstract
Le but de ce projet était d'étudier l'impact du débit de la solution d'alimentation, de la surface membranaire effective et de la force du champ électrique sur un procédé d'électrodialyse avec membrane d'ultrafiltration pour le fractionnement de peptides issus d'un hydrolysat trypsique de P-lactoglobuline. L'évolution des paramètres électrodialytiques, soit le pH des solutions d'alimentation et de perméation de même que leur conductivité électrique a été suivie. La migration peptidique dans le temps a été quantifiée par spectrophotométrie et qualifiée par RP-HPLC et par spectrométrie de masse. Les résultats ont montré que le débit des solutions n'influençait pas la productivité et que très peu les paramètres électrodialytiques, mais qu'il pouvait moduler la sélectivité du procédé. Il a aussi été montré que l'augmentation de la surface membranaire permet d'augmenter de façon linéaire la productivité du procédé, en ne modifiant pas sa sélectivité. La hausse de la valeur du champ électrique s'est aussi avérée importante pour améliorer la migration peptidique. Le pH et la conductivité des solutions ont aussi été fortement influencés par ces paramètres d'opération. Une bonne combinaison de surface, débit et champ électrique permet d'améliorer la rapidité et la productivité de l’électrodialyse avec membrane d'ultrafiltration pour la séparation sélective de peptides d'hydrolysats protéiques.
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) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.000 | 0.000 |
| Science and technology studies | 0.000 | 0.000 |
| Scholarly communication | 0.000 | 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".