Plant food anti-nutritional factors and their reduction strategies: an overview
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
Abstract Legumes and cereals contain high amounts of macronutrients and micronutrients but also anti-nutritional factors. Major anti-nutritional factors, which are found in edible crops include saponins, tannins, phytic acid, gossypol, lectins, protease inhibitors, amylase inhibitor, and goitrogens. Anti-nutritional factors combine with nutrients and act as the major concern because of reduced nutrient bioavailability. Various other factors like trypsin inhibitors and phytates, which are present mainly in legumes and cereals, reduce the digestibility of proteins and mineral absorption. Anti-nutrients are one of the key factors, which reduce the bioavailability of various components of the cereals and legumes. These factors can cause micronutrient malnutrition and mineral deficiencies. There are various traditional methods and technologies, which can be used to reduce the levels of these anti-nutrient factors. Several processing techniques and methods such as fermentation, germination, debranning, autoclaving, soaking etc. are used to reduce the anti-nutrient contents in foods. By using various methods alone or in combinations, it is possible to reduce the level of anti-nutrients in foods. This review is focused on different types of anti-nutrients, and possible processing methods that can be used to reduce the level of these factors in food products. Graphical abstract A brief overview of beneficial effects of anti-nutrients and reduction strategy.
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 | 0,000 | 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 | 0,001 |
| 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 découle