Is Chickpea a Potential Substitute for Soybean? Phenolic Bioactives and Potential Health Benefits
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Legume seeds are rich sources of protein, fiber, and minerals. In addition, their phenolic compounds as secondary metabolites render health benefits beyond basic nutrition. Lowering apolipoprotein B secretion from HepG2 cells and decreasing the level of low-density lipoprotein (LDL)-cholesterol oxidation are mechanisms related to the prevention of cardiovascular diseases (CVD). Likewise, low-level chronic inflammation and related disorders of the immune system are clinical predictors of cardiovascular pathology. Furthermore, DNA-damage signaling and repair are crucial pathways to the etiology of human cancers. Along CVD and cancer, the prevalence of obesity and diabetes is constantly increasing. Screening the ability of polyphenols in inactivating digestive enzymes is a good option in pre-clinical studies. In addition, in vivo studies support the role of polyphenols in the prevention and/or management of diabetes and obesity. Soybean, a well-recognized source of phenolic isoflavones, exerts health benefits by decreasing oxidative stress and inflammation related to the above-mentioned chronic ailments. Similar to soybeans, chickpeas are good sources of nutrients and phenolic compounds, especially isoflavones. This review summarizes the potential of chickpea as a substitute for soybean in terms of health beneficial outcomes. Therefore, this contribution may guide the industry in manufacturing functional foods and/or ingredients by using an undervalued feedstock.
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.
Prédiction distillée sur la base complète
Imitation des enseignantsNi 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.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
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.
score_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