Mycotoxin reduction and metabolite profiles of ogi produced using traditional fermentation methods
Notice bibliographique
Résumé
Mycotoxins are widely present in maize, a favourite staple food in sub-Saharan Africa. Food processing methods, like fermentation, have been suggested as potential ways to reduce mycotoxin contamination levels in the grain and, as a result, limit the exposure of crop consumers to the harmful effects of the toxins. The influence of four traditional fermentation processes [cold (with changed steeping liquor (CSL) and unchanged steeping liquor (USL), Fon and Goun procedures] on the mycotoxin reduction and metabolites profile of ogi, a fermented maize product, was studied. Ultra-high performance liquid chromatography tandem mass spectrometry (UHPLC-MS/MS) and gas chromatography linked to high resolution time-of-flight mass spectrometry (GC-HR-TOF-MS) were respectively employed for the mycotoxin and metabolite profiles analyses of the samples. Among the nine mycotoxins detected in the raw maize samples, aflatoxin B1 (AFB1) and fumonisin B1 (FB1) + fumonisin B2 (FB2) concentrations were found to exceed the European Union (EU) maximum limit. Both cold (containing USL and CSL) and Goun fermentation techniques were able to lower the AFB1 concentration below this threshold. The metabolomics result revealed that ogi produced using the cold (USL) and Fon fermentation processes had the highest number of most of the detected important compounds, whereas the Goun fermentation process produced the fewest compounds in total. There was no statistically significant difference in the ability of the specified natural fermentation processes to lower FB1, FB2, FB3, deoxynivalenol (DON), sterigmatocystin (STERIG), and zearalenone concentrations in maize (ZEN). In addition, the results demonstrated that the four natural fermentation processes evaluated had varying effects.
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) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 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 | 0,000 | 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 ».