Widely targeted metabolic profiling provides insights into variations in bioactive compounds and antioxidant activity of sesame, soybean, peanut, and perilla
Notice bibliographique
Résumé
Oilseeds are important sources of diversified nutraceuticals with marked health attributes. Thus, a better understanding of metabolome differences between common oilseeds will be conducive to the food pharmacy. This study aimed to compare the metabolite profiles and antioxidant activity of sesame, soybean, peanut, and perilla seeds and reveal the variation in bioactive compounds. LC-MS-based widely targeted metabolic profiling identified a total of 975 metabolites, of which 753 were common to the four crops. Multivariate analyses unveiled a crop-specific accumulation of metabolites, with 298-388 DAMs (differentially accumulated metabolites) identified. Amino acid metabolism, phenylpropanoid biosynthesis, flavonoid biosynthesis, and lipid metabolism were the most differentially regulated pathways. Furthermore, we revealed the variation in the relative content of 48, 20, 18, 9, 18, 11, and 6 differentially accumulated bioactive flavonoids, phenolic acids, amino acids, vitamins, terpenoids, alkaloids, and coumarins, respectively. Most of the flavonoids accumulated highly in soybean, followed by perilla. Sesame exhibited a better amino acid profile than other oilseeds. DPPH and FRAP assays showed that the antioxidant activity of perilla seed extracts was the highest, followed by soybean, peanut, and sesame. Our results provide data support for the comprehensive use of sesame, perilla, soybean, and peanut seeds in food, and pharmaceutical industries.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| 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) | 0,001 | 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 source (Gemma direct ou Codex distillé), 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 ».