MétaCan
Menu
Retour à la cohorte
Enregistrement W3212903903 · doi:10.3389/fnut.2021.772903

Inhibition of the in vitro Activities of α-Amylase and Pancreatic Lipase by Aqueous Extracts of Amaranthus viridis, Solanum macrocarpon and Telfairia occidentalis Leaves

2021· article· en· W3212903903 sur OpenAlexafffund
Olayinka A. Oluwagunwa, Adeola M. Alashi, Rotimi E. Aluko

Notice bibliographique

RevueFrontiers in Nutrition · 2021
Typearticle
Langueen
DomaineMedicine
ThématiquePharmacology and Obesity Treatment
Établissements canadiensUniversity of Manitoba
Organismes subventionnairesGlobal Affairs CanadaMitacsInternational Development Research Centre
Mots-clésAmylaseSolanumLipaseEnzymeChemistryEnzyme assayHorticultureFood scienceBiologyBiochemistry

Résumé

récupéré en direct d'OpenAlex

Inhibition of digestive enzymes such as α-amylase and pancreatic lipase (PL) is a promising therapeutic strategy for the treatment and management of chronic health conditions such as diabetes and obesity. Therefore, the aim of this work was to determine the enzyme inhibitory activity of polyphenol-rich aqueous extracts of Amaranthus viridis (AV), Solanum macrocarpon (SM) and Telfairia occidentalis (TO) leaves, which were harvested from plants produced using multiple urea fertilizer doses (0–80 kg N/ha). Fertilizer application was applied at two time points (at planting or 2 weeks after seedling emergence). Leaf extracts were obtained using aqueous extraction (1:20, leaves:water) for 4 h at 60°C followed by centrifugation and freeze-drying of the supernatant. Results showed that the extracts inhibited α-amylase, and pancreatic lipase dose-dependently with TO extracts having significantly ( p < 0.05) higher inhibitory activities for both enzymes. Fluorescence intensity and circular dichroism spectra in the presence and absence of leaf extracts indicate significant changes to the enzyme protein secondary and tertiary conformations. We conclude that the leaf extracts, especially from TO are potential agents for reducing calorie intake as a preventive or treatment tool against chronic diseases such as diabetes and obesity.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Expérimental (laboratoire) · Signal consensuel: Expérimental (laboratoire)
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,046
Score d'incertitude au seuil0,337

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,005
Tête enseignante GPT0,232
Écart entre enseignants0,227 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeExpérimental (laboratoire)
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations52
Publié2021
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueFrontiers in NutritionMême sujetPharmacology and Obesity TreatmentTravaux en français237 207