MétaCan
Menu
Retour à la cohorte
Enregistrement W2599211905 · doi:10.1021/acs.jafc.7b00326

Formation of a Multiligand Complex of Bovine Serum Albumin with Retinol, Resveratrol, and (−)-Epigallocatechin-3-gallate for the Protection of Bioactive Components

2017· article· en· W2599211905 sur OpenAlexaff
Yi Wu, Hao Cheng, Yantao Chen, Lingyun Chen, Zheng Fang, Li Liang

Notice bibliographique

RevueJournal of Agricultural and Food Chemistry · 2017
Typearticle
Langueen
DomaineBiochemistry, Genetics and Molecular Biology
ThématiqueProtein Interaction Studies and Fluorescence Analysis
Établissements canadiensUniversity of Alberta
Organismes subventionnairesGovernment of Jiangsu ProvinceNational Natural Science Foundation of China
Mots-clésResveratrolBovine serum albuminChemistryEpigallocatechin gallateGallateCircular dichroismSerum albuminBiochemistryPolyphenolChromatographyAntioxidantNuclear chemistry

Résumé

récupéré en direct d'OpenAlex

Clarification of the interaction mechanisms between proteins and bioactive components is important to develop effective carriers for encapsulation and protection of bioactive components. Bovine serum albumin (BSA), a globular protein in serum and milk, contains multiple sites to bind a variety of low-molecular-weight molecules, forming protein-monoligand complexes. In this study, the interactions of BSA with retinol, resveratrol, and/or (-)-epigallocatechin-3-gallate (EGCG) were investigated by using fluorescence, circular dichroism, and molecular docking techniques. BSA-triligand complexes were successfully formed when added in the sequence of retinol, resveratrol, and EGCG. The stability of these bioactive components was improved in the complexes relative to free ones. The complexes provided a better protective effect on retinol and resveratrol than did BSA-monoligand complexes, in which the presence of EGCG played an important role.

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 machine sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Expérimental (laboratoire) · Signal consensuel: Expérimental (laboratoire)
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,001
Score d'incertitude au seuil0,004

Scores du classifieur distillé par catégorie (deux têtes)

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 ouverte0,0010,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0010,000

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 Opus0,022
Tête enseignante GPT0,240
Écart entre enseignants0,219 · 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 source (Gemma direct ou Codex distillé), 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

Citations76
Publié2017
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueJournal of Agricultural and Food ChemistryMême sujetProtein Interaction Studies and Fluorescence AnalysisTravaux en français237 207