MétaCan
Menu
← Retour à la cohorte
Enregistrement W2805516333 · doi:10.5539/jas.v10n7p1

Environmental and Genetic Variation in Essential Mineral Nutrients and Nutritional Value Among Brassica Vegetables

2018· article· en· W2805516333 sur OpenAlexvenueno aff
Moo Jung Kim, Tyler Simpson, Yu‐Chun Chiu, Talon Becker, John A. Juvik, Kang‐Mo Ku

Notice bibliographique

RevueJournal of Agricultural Science · 2018
Typearticle
Langueen
DomaineMedicine
ThématiqueNutritional Studies and Diet
Établissements canadiensnon disponible
Organismes subventionnairesNational Institute of Food and AgricultureWest Virginia UniversityU.S. Department of Agriculture
Mots-clésBrassicaBrassica rapaCropBrassica oleraceaNutrientDry weightBiologyEssential nutrientManganeseAgronomyComposition (language)Food scienceHorticultureAnimal scienceBotanyChemistry

Résumé

récupéré en direct d'OpenAlex

Dietary minerals play an important role in human nutrition and proper metabolism. We grew various Brassica crops under field conditions in 2012 and 2013 and analyzed 8 essential minerals from edible tissues of those crops. Among the investigated crops, pak choi (Brassica rapa), mustard greens (B. juncea; B. nigra), and komatsuna (B. rapa) were generally high in most minerals, according to dry weight-based concentrations. The percentage recommended daily intake (RDA) or adequate intake (AI) values, calculated using fresh weight-based concentrations, suggest that Brassica vegetables are a good source of iron, calcium, and manganese, providing > 20% of %RDA/AI depending on crop. Kale (B. oleracea; B. napus) was generally higher in %RDA/AI, in particular for calcium (Ca), phosphorous (P), magnesium (Mg), and manganese (Mn). From the 2-year study, days to harvest, growing degree days, total solar radiation, and total precipitation and evaporation were found to affect the concentration of Ca, P, Ma, and Me. The results of this study provide a direct comparison of the mineral composition of various Brassica crops grown under the same conditions and will help consumers’ food choice for better nutritional value.

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: Observationnel · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,004
Score d'incertitude au seuil0,009

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
Bibliométrie0,0010,001
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
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 Opus0,005
Tête enseignante GPT0,218
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'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

Citations1
Publié2018
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueJournal of Agricultural Science→Même sujetNutritional Studies and Diet→Travaux en français237 207→