Extensive Chemometric Investigations of Distinctive Patterns and Levels of Biogenic Amines in Fermented Foods: Human Health Implications
Notice bibliographique
Résumé
Although biogenic amines (BAs) present in fermented foods exert important health-promoting and physiological function support roles, their excessive ingestion can give rise to deleterious toxicological effects. Therefore, here we have screened the BA contents and supporting food quality indices of a series of fermented food products using a multianalyte-chemometrics strategy. A liquid chromatographic triple quadrupole mass spectrometric (LC-MS/MS) technique was utilized for the simultaneous multicomponent analysis of 8 different BAs, and titratable acidity, pH, total lipid content, and thiobarbituric acid-reactive substances (TBARS) values were also determined. Rigorous univariate and multivariate (MV) chemometric data analysis strategies were employed to evaluate results acquired. Almost all foods analyzed had individual and total BA contents that were within recommended limits. The chemometrics methods applied were useful for recognizing characteristic patterns of BA analytes and food quality measures between some fermented food classes, and for assessing their inter-relationships and potential metabolic sources. MV analysis of constant sum-normalized BA profile data demonstrated characteristic signatures for cheese (cadaverine only), fermented cod liver oil (2-phenylethylamine, tyramine, and tryptamine), and wine/vinegar products (putrescine, spermidine, and spermine). In conclusion, this LC-MS/MS-linked chemometrics approach was valuable for (1) contrasting and distinguishing BA catabolite signatures between differing fermented foods, and (2) exploring and evaluating the health benefits and/or possible adverse public health risks of such products.
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 ».