MétaCan
Menu
Retour à la cohorte
Enregistrement W2623885102 · doi:10.1039/c7fo00574a

Bioaccessibility and bioavailability of phenolic compounds in bread: a review

2017· review· en· W2623885102 sur OpenAlexaff
Donato Angelino, Marta Cossu, Alessandra Marti, M. Zanoletti, Laura Chiavaroli, Furio Brighenti, Daniele Del Rio, Daniela Martini

Notice bibliographique

RevueFood & Function · 2017
Typereview
Langueen
DomaineNursing
ThématiqueFood composition and properties
Établissements canadiensUniversity of Toronto
Organismes subventionnairesnon disponible
Mots-clésBioavailabilityChemistryFood scienceBiologyPharmacology

Résumé

récupéré en direct d'OpenAlex

Cereal-based products, like breads, are a vehicle for bioactive compounds, including polyphenols. The health effects of polyphenols like phenolic acids (PAs) are dependent on their bioaccessibility and bioavailability. The present review summarizes the current understanding of potential strategies to improve phenolic bioaccessibility and bioavailability and the main findings of in vitro and in vivo studies investigating these strategies applied to breads, including the use of raw ingredients with greater phenolic content and different pre-processing technologies, such as fermentation and enzymatic treatment of ingredients. There is considerable variability between in vitro studies, mainly resulting from the use of different methodologies, highlighting the need for standardization. Of the few in vivo bioavailability studies identified, acute, single-dose studies demonstrate that modifications to selected raw materials and bioprocessing of bran could increase the bioavailability, but not necessarily the net content, of bread phenolics. The two medium-term identified dietary interventions also demonstrated greater phenolic content, resulting from the modification of the raw materials used. Overall, the findings suggest that several strategies can be used to develop new bread products with greater phenolic bioaccessibility and bioavailability. However, due to the large variability and the few studies available, further investigations are required to determine better the usefulness of these innovative processes.

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)0,001
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Sans objet · Signal consensuel: aucune
GenreSignal candidat: Synthèse · Signal consensuel: Synthèse
Score de désaccord entre enseignants0,003
Score d'incertitude au seuil0,011

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0000,001
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0030,003
Études des sciences et des technologies0,0000,000
Communication savante0,0010,001
Science ouverte0,0010,001
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0030,001

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 Opus0,161
Tête enseignante GPT0,373
Écart entre enseignants0,213 · 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'étudeSans objet
Domainenon disponible
GenreSynthèse

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

En bref

Citations146
Publié2017
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueFood & FunctionMême sujetFood composition and propertiesTravaux en français237 207