Targeting Nanotechnology and Nutraceuticals in Obesity: An Updated Approach
Notice bibliographique
Résumé
Hypothesis: This review article represents a brief layout of the risk factors and pathophysiology responsible for obesity, customary treatment strategies, and nanotechnology-based nutraceutical for therapeutics of obesity. Experiments: An exhaustive search of the literature was done for this purpose, using Google Scholar, PubMed, and ScienceDirect databases. A study of the literature was conducted using publications published in peer-reviewed journals between the years 2000 and 2022. Findings: This was revealed that risk factors responsible for obesity were genetic abnormalities, environmental, and socio-economic factors. Number of research articles published between 2000 and 2022 were based on phytoconstituents based nanoformulation for obesity therapeutics and therefore, have been systematically compiled in this review. Various nutraceuticals like Garcinia cambogia, quercetin, resveratrol, capsaicin, Capsicum, Curcuma longa, Camella Sinensis, Zingiber officinalis, Citrus aurantium, Aegle marmelos, Coffea canephora, Asparagus officinalis, Gardenia jasminoides, Catha edulis, Clusia nemroisa, Rosmarinus officinalis, Cirsium setidens, Betula platyphylla, Tripterygium wilfordi possessing anti-obesity actions are discussed in this review along with their patents, clinical trials as well as their nanoformulation available. Conclusion: This review illustrates that the nanotechnology have a great propensity to impart promising role in the delivery of phytochemicals and nutraceuticals in management of obesity conditions and other related disorders.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| 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 | 0,001 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».