Selenomethionine and Total Methionine Ratio is Conserved in Seed Proteins of Selenium‐Treated and Nontreated Soybean, Flax, and Potato
Notice bibliographique
Résumé
ABSTRACT Crop biofortification with Se is widely accepted. However, little is known about the efficiency of selenomethionine (Se‐Met) incorporation into the seed and tuber protein fraction of crops. Here, we report on the efficiency of Se incorporation into the seed and tuber protein fraction of soybean, flax, and potato and the putative identity of some of the proteins that are likely targets for this random pretranslation modification. Soybean, flax, and potato plants received Se using different sodium selenate application methods and rates, and Se‐Met was determined in seed, tuber, and their protein fractions. Selenium content in seed and tuber tissues and in protein fractions was increased by 2 to 86 times. The methionine (Met) pool was increased, as was the proportion of Se‐Met in the Met pool, but the ratio of Se‐Met:total Met was well conserved (1:1) between the treated and nontreated plants. After two‐dimensional (2D) protein electrophoresis, five protein spots were identified as glycinin, trypsin inhibitor (soybean), patatin‐3‐Kuras‐1, patain‐B2, and phosphoenol carboxy kinase (potato), none of which showed S to Se substitution in their primary structure. Linking Se and three stress markers in fresh tuber extracts, glutathione (GSH) level, glutathione peroxidase (GPx), and glutathione reductase (GR) activities were increased by 20 to 35%. The data showed low protein modification in these non‐Se‐accumulator crops and indicated that rates of 5 to 10 g ha –1 Se, through foliar application, may ensure not only an adequate daily intake levels for humans but may also activate antioxidant enzyme systems within the tuber tissue.
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 | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,002 |
| 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 ».