Improving nutrition through biofortification–A systematic review
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
Nutritious foods are essential for human health and development. However, malnutrition and hidden hunger continue to be a challenge globally. In most developing countries, access to adequate and nutritious food continues to be a challenge. Although hidden hunger is less prevalent in developed countries compared to developing countries where iron (Fe) and zinc (Zn) deficiencies are common. The United Nations (UN) 2nd Sustainable Development Goal was set to eradicate malnutrition and hidden hunger. Hidden hunger has led to numerous cases of infant and maternal mortalities, and has greatly impacted growth, development, cognitive ability, and physical working capacity. This has influenced several countries to develop interventions that could help combat malnutrition and hidden hunger. Interventions such as dietary diversification and food supplementation are being adopted. However, fortification but mainly biofortification has been projected to be the most sustainable solution to malnutrition and hidden hunger. Plant-based foods (PBFs) form a greater proportion of diets in certain populations; hence, fortification of PBFs is relevant in combating malnutrition and hidden hunger. Agronomic biofortification, plant breeding, and transgenic approaches are some currently used strategies in food crops. Crops such as cereals, legumes, oilseeds, vegetables, and fruits have been biofortified through all these three strategies. The transgenic approach is sustainable, efficient, and rapid, making it suitable for biofortification programs. Omics technology has also been introduced to improve the efficiency of the transgenic approach.
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) | 0,002 | 0,001 |
| Bibliométrie | 0,000 | 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 | 0,000 | 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 découle