Enhancing the Nutritional Quality of Vegetable Amaranth through Specific Food Preparation Methods
Notice bibliographique
Résumé
Food preparation methods applied to African traditional vegetables vary greatly depending on preferences of various consumers. Vegetable amaranth is one of the most preferred vegetable, with high nutritional quality. The bioaccessibility of some minerals such as iron is, however, low since it is non-heme, and is also bound by anti-nutrients such as oxalates. This study aimed at evaluating the nutrient retention of amaranth vegetable dishes prepared using selected Kenyan traditional recipes, and to enhance the iron bioavailability of amaranth dishes using food preparation methods. Nutrient retentions of amaranth prepared by three common food methods were analyzed. In-vitro iron bioavailability of amaranth dishes with or without bioavailability enhancers as well as an amaranth meal incorporating a common maize meal staple food was also studied. The nutrient retentions of the various dishes used in this study was fairly high with at least 85% retention of minerals and an increase of up to 45% in three carotenoids. It can be concluded that incorporating vitamin C, adding an iron rich vegetable and boiling of the vegetable significantly improves the iron bioavailability and hence improves the iron uptake by the body. Incorporating lemon juice enhanced dialysable iron of the selected recipe by up to 66%. There was no significant (P≤0.05) effect by the amaranth components on the iron bioavailability of ugali. These methods could therefore be incorporated into household recipes to increase micronutrient intake.
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 | 0,004 | 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 ».