Legume Seed Protein Digestibility as Influenced by Traditional and Emerging Physical Processing Technologies
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
The increased consumption of legume seeds as a strategy for enhancing food security, reducing malnutrition, and improving health outcomes on a global scale remains an ongoing subject of profound research interest. Legume seed proteins are rich in their dietary protein contents. However, coexisting with these proteins in the seed matrix are other components that inhibit protein digestibility. Thus, improving access to legume proteins often depends on the neutralisation of these inhibitors, which are collectively described as antinutrients or antinutritional factors. The determination of protein quality, which typically involves evaluating protein digestibility and essential amino acid content, is assessed using various methods, such as in vitro simulated gastrointestinal digestibility, protein digestibility-corrected amino acid score (IV-PDCAAS), and digestible indispensable amino acid score (DIAAS). Since most edible legumes are mainly available in their processed forms, an interrogation of these processing methods, which could be traditional (e.g., cooking, milling, extrusion, germination, and fermentation) or based on emerging technologies (e.g., high-pressure processing (HPP), ultrasound, irradiation, pulsed electric field (PEF), and microwave), is not only critical but also necessary given the capacity of processing methods to influence protein digestibility. Therefore, this timely and important review discusses how each of these processing methods affects legume seed digestibility, examines the potential for improvements, highlights the challenges posed by antinutritional factors, and suggests areas of focus for future research.
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) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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