Grain Phytic Acid Accumulation of Domestic and Exotic Rice Genotypes in Zinc-Deficient Soil
Notice bibliographique
Résumé
Micronutrient malnutrition in humans living in rice growing areas is increasing rapidly due to less absorption of mineral nutrients chelated by phytic acid (anti-nutrients) present in rice grains. A field study was conducted to evaluate the grain phytic acid and zinc (Zn) accumulation of 10 field grown rice (Oryza sativa L.) genotypes on a Zn deficient soil. Both the Zn- efficient (Shua-92, IR-9, Shandar, IR-36, and IR-6) and Zn-inefficient (Sarshar,. UPL-48, Khushboo-95 and RG-120) rice genotypes were included in the study. The two Zn treatments (0 and 15 kg ha-1) were arranged in a two factor randomized complete block design with three replications. Nitrogen (N) and phosphorus (P2O5) were applied at the rate of 120 and 80 kg ha-1. The rice genotypes IR-36, UPL-79, Shandar and Shua-92 were the most Zn accumulators whereas; Sarshar, IR-9 and Khushboo-95 the least accumulator in Zn deficiency. Zinc in-efficient genotype Sarshar was the highest Zn accumulator in response to Zn application. Phytic acid content of rice genotypes was significantly influenced (p < 0.05) by the application of Zn fertilizer. Phosphorus concentration in rice grains decreased with Zn application. Zinc in-efficient genotypes accumulated more phytic acid in their food reserves than Zn-efficient genotypes. Phytic acid: zinc ratio decreased significantly more in Zn-inefficient genotypes as compared to Zn efficient genotypes, with application of Zn fertilizer. Zinc efficient genotype Shua-92 accumulated low concentration of phytic acid. The rice genotypes Shua-92, IR-9, Shandar and IR-36 low accumulators of phytic acid performed successfully and contained higher concentrations of Zn than other genotypes.
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 | 0,000 |
| 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 | 0,000 |
| 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 ».