Bioactive Natural Constituents from Food Sources—Potential Use in Hypertension Prevention and Treatment
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Prevention and management of hypertension are the major public health challenges worldwide. Uncontrolled high blood pressure may lead to a shortened life expectancy and a higher morbidity due to a high risk of cardiovascular complications such as coronary heart disease (which leads to heart attack) and stroke, congestive heart failure, heart rhythm irregularities, and kidney failure etc. In recent years, it has been recognized that many dietary constituents may contribute to human cardiovascular health. There has been an increased focus on identifying these natural components of foods, describing their physiological activities and mechanisms of actions. Grain, vegetables, fruits, milk, cheese, meat, chicken, egg, fish, soybean, tea, wine, mushrooms, and lactic acid bacteria are various food sources with potential antihypertensive effects. Their main bioactive constituents include angiotensin I-converting enzyme (ACE) inhibitory peptides, vitamins C and E, flavonoids, flavanols, cathecins, anthocyanins, phenolic acids, polyphenols, tannins, resveratrol, polysaccharides, fiber, saponin, sterols, as well as K, Ca, and P. They may reduce blood pressure by different mechanisms, such as ACE inhibition effect, antioxidant, vasodilatory, opiate-like, Ca(2+) channel blocking, and chymase inhibitory activities. These functional foods may provide new therapeutic applications for hypertension prevention and treatment, and contribute to a healthy cardiovascular population. The present review summarizes the antihypertensive food sources and their bioactive constituents, as well as physiological mechanisms of dietary products, especially focusing on ACE inhibitory activity.
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.
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) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| 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 découle