MétaCan
Menu
Retour à la cohorte
Enregistrement W2137640631 · doi:10.1002/jsfa.1698

Variability in oil content and fatty acid composition of Ethiopian and introduced cultivars of linseed

2004· article· en· W2137640631 sur OpenAlexaboutno aff
Adugna Wakjira, Maryke Labuschagne, A. Hugo

Notice bibliographique

RevueJournal of the Science of Food and Agriculture · 2004
Typearticle
Langueen
DomaineAgricultural and Biological Sciences
ThématiqueSoybean genetics and cultivation
Établissements canadiensnon disponible
Organismes subventionnairesUniversiteit van die Vrystaat
Mots-clésLinseed oilCultivarGermplasmLinolenic acidLinoleic acidComposition (language)Oleic acidFood scienceFatty acidYield (engineering)ChemistryHorticultureBotanyBiologyBiochemistry

Résumé

récupéré en direct d'OpenAlex

Abstract This study was undertaken to assess the variability in oil content, oil yield and fatty acid composition of 60 linseed cultivars and to identify suitable accessions for use in future breeding and development endeavours in Ethiopia. Mean oil contents ranged from 291 to 359 g kg −1 , while oil yields varied between 1443 and 3276 g m −2 . Exotic introductions, especially those from Canada such as CDC‐VG, had higher oil contents than the local cultivars. Thus the introduction of exotic materials should be given more emphasis through germplasm exchange programmes. Unsaturated fatty acids were the major components in the oils, varying significantly ( P < 0.01) from 859 to 906 g kg −1 , while minor saturated fatty acids were present at 84–119 g kg −1 . The contents of oleic, linoleic and linolenic acids were 148–293, 109–161 and 470–591 g kg −1 respectively. Although accessions with variable linolenic acid contents were identified, this variability was insufficient to develop genotypes with less than 20 g kg −1 linolenic acid for cooking oil through conventional crossing and selection methods. Hence mutation techniques and the introduction of exotic lines should be regarded as alternative approaches to obtain linseed genotypes with low linolenic acid contents. Copyright © 2004 Society of Chemical Industry

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Expérimental (laboratoire) · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,514
Score d'incertitude au seuil0,118

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0010,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,018
Tête enseignante GPT0,208
Écart entre enseignants0,190 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeExpérimental (laboratoire)
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations60
Publié2004
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueJournal of the Science of Food and AgricultureMême sujetSoybean genetics and cultivationTravaux en français237 207