MétaCan
Menu
Retour à la cohorte
Enregistrement W2460693691 · doi:10.1016/j.dib.2016.07.010

Comparison data of common and abundant terpenes at different grape development stages in Shiraz wine grapes

2016· article· en· W2460693691 sur OpenAlexfundno aff
Pangzhen Zhang, Sigfredo Fuentes, Tracey Siebert, Mark Krstic, Markus Herderich, Snow Barlow, Kate Howell

Notice bibliographique

RevueData in Brief · 2016
Typearticle
Langueen
DomaineAgricultural and Biological Sciences
ThématiqueFermentation and Sensory Analysis
Établissements canadiensnon disponible
Organismes subventionnairesAustralian GovernmentAgreenSkillsUniversity of MelbourneAlberta Water Research Institute
Mots-clésAromaWineTerpeneTerpenoidRipeningVitis viniferaVineHorticultureWine grapeAroma of wineBotanyBiologyChemistryFood scienceOrganic chemistry

Résumé

récupéré en direct d'OpenAlex

Terpenoids were extracted from grape vine bunches during plant development and analysed by GC-MSD. The grapevines analysed were from a commercial harvest of Vitis vinifera cv. Shiraz. The terpenoids were analysed from 4 weeks post flowering (wpf) to harvest in one season. The data are presented with the structure of the compound and aroma profile and semi-quantified. The sub-class of sesquiterpenes was given special attention, and this data set describes the first analysis of these compounds during ripening of this important economic crop. Sesquiterpenes may have a hitherto described contribution to wine aroma. This data set may provide insight into biosynthetic pathways and aroma chemistry. Interpretation of our data and further discussion can be found in "Terpene evolution during the development of Vitis vinifera L. cv. Shiraz grapes" (Zhang et al., 2016) [1].

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)0,000
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: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,095
Score d'incertitude au seuil0,980

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,000
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 ouverte0,0010,001
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 Opus0,117
Tête enseignante GPT0,322
Écart entre enseignants0,205 · 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'étudeObservationnel
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

Citations14
Publié2016
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueData in BriefMême sujetFermentation and Sensory AnalysisTravaux en français237 207