Amino acid composition, protein content and accurate nitrogen-to-protein conversion factor for sheepgrass (<i>Leymus chinensis</i>)
Notice bibliographique
Résumé
The protein content of plants is commonly estimated by multiplying the total nitrogen content (Kjeldahl; KN) by a nitrogen-to-protein conversion factor of 6.25. This method is based on the incorrect assumption that all nitrogen in the ammonia/ammonium and organic substances in plants is protein nitrogen, usually resulting in overestimation of protein content. We have examined amino acid composition, amino acid nitrogen, total nitrogen (KN), and actual protein content (AP) determined from amino acid residues in 16 accessions of perennial sheepgrass (Leymus chinensis (Trin.) Tzvelev). We determined a new nitrogen-to-protein conversion factor, k P , as the ratio of AP to KN, and applied this factor to estimate the total protein content (TP) as KN × k P . The non-protein nitrogen accounted for 40.5% to 62.4% of the total nitrogen. The average k P value was 3.17 overall, 3.20 in the accessions sampled at the jointing stage, and 3.15 in the accessions sampled at the flowering stage. The TP, calculated as KN × 3.17, was about half that of crude protein contents, calculated as KN × 6.25. Our study suggests that the AP-based k P of 3.17 can be used to more accurately estimate the total protein content in sheepgrass.
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 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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».