Effect of cooking on the in vitro and in vivo protein quality of soy, oat and wheat varieties
Notice bibliographique
Résumé
Abstract Background and Objectives Soy, wheat, and oats are widely consumed crops globally, but variation between cultivars and processing methods can produce products of varying protein quality. This study cooked two different cultivars of wheat, oats, and soy and compared indices of protein quality as well as quantified differences in antinutritional factors. Findings Protein Efficiency Ratio (PER) was highest in cooked soy cultivars and lowest in wheat samples, with cooking having the most impact on soy PER. Protein Digestibility Corrected Amino Acid Score (PDCAAS) of soy was greater than oats which was greater than wheat. Antinutritional factors differed significantly between crops and cultivars, with processing having the greatest impact on soy. In vitro measurements of PDCAAS correlated well with in vivo assessment. Conclusions Thermal processing has variable effects on protein quality depending on crop and cultivar selected, primarily due to differences in amino acid composition. In vitro measurement of protein quality can be used as a rapid screening tool. Significance and Novelty Direct comparison in protein quality between wheat, oat, and soy is rarely reported. Measuring the protein quality of different cultivars and crops pre and postprocessing provides essential data for product development and dietary formulation.
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 ».