MétaCan
Menu
Retour à la cohorte
Enregistrement W2803595511 · doi:10.3390/nu10060671

Effect of Processing on the In Vitro and In Vivo Protein Quality of Beans (Phaseolus vulgaris and Vicia Faba)

2018· article· en· W2803595511 sur OpenAlexafffund
Matthew G. Nosworthy, Gerardo Medina, Adam Franczyk, Jason Neufeld, Paulyn Appah, Alphonsus Utioh, Peter Fröhlich, James D. House

Notice bibliographique

RevueNutrients · 2018
Typearticle
Langueen
DomaineAgricultural and Biological Sciences
ThématiqueProteins in Food Systems
Établissements canadiensCanadian International Grains InstituteUniversity of Manitoba
Organismes subventionnairesAgriculture and Agri-Food Canada
Mots-clésProtein qualityFood sciencePhaseolusVicia fabaProtein efficiency ratioProtein digestibilityPlant proteinBiologyLegumeChemistryBotanyFeed conversion ratio

Résumé

récupéré en direct d'OpenAlex

In this work, the protein quality of different bean types after undergoing the preparatory methods of baking, cooking and extrusion was assayed. Protein quality was assessed using a rodent bioassay to evaluate growth and protein digestibility while amino acid composition was determined via HPLC. In vivo protein digestibility was compared to an in vitro assessment method. The average protein digestibility corrected amino acid score (PDCAAS) for processed beans was higher than the digestible indispensable amino acid score (DIAAS) (61% vs. 45%). Extrusion/cooking of Phaseolus varieties resulted in higher PDCAAS (66% on average) and DIAAS values (61% on average) than baked (52% and 48%) while baked faba beans had higher PDCAAS (66%) and DIAAS (61%) values. A significant correlation was found between PDCAAS and in vitro PDCAAS (R2 = 0.7497). This demonstrates which bean processing method will generate the optimal protein quality, which has benefits for both industrial production and individual domestic preparation.

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 seuil0,003

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 savante0,0010,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,001
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 Opus0,025
Tête enseignante GPT0,279
Écart entre enseignants0,255 · 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

Citations159
Publié2018
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueNutrientsMême sujetProteins in Food SystemsTravaux en français237 207