MétaCan
Menu
Retour à la cohorte
Enregistrement W4390685640 · doi:10.1016/j.fochx.2024.101125

Effects of phosphoglycerate kinase 1 and pyruvate kinase M2 on metabolism and physiochemical changes in postmortem muscle

2024· article· en· W4390685640 sur OpenAlexaff
Caiyan Huang, Dequan Zhang, Christophe Blecker, Yingxin Zhao, Can Xiang, Zhenyu Wang, Shaobo Li, Li Chen

Notice bibliographique

RevueFood Chemistry X · 2024
Typearticle
Langueen
DomaineAgricultural and Biological Sciences
ThématiqueMeat and Animal Product Quality
Établissements canadiensUniversity of Alberta
Organismes subventionnairesAgricultural Science and Technology Innovation ProgramChinese Academy of Agricultural SciencesChina Scholarship CouncilInstitute of Food Science and Technology, Chinese Academy of Agricultural SciencesNational Natural Science Foundation of China
Mots-clésPKM2GlycolysisPyruvate kinasePhosphoglycerate kinaseBiochemistryCalpainMyofibrilKinaseChemistryBiologyCell biologyEnzyme

Résumé

récupéré en direct d'OpenAlex

The objective of this work was to investigate the influence of phosphoglycerate kinase-1 (PGK1) and pyruvate kinase-M2 (PKM2) activity on glycolysis, myofibrillar proteins, calpain system, and apoptosis pathways of postmortem muscle. The activity of PGK1 and PKM2 was regulated by their inhibitors and activators to construct the postmortem glycolysis vitro model and then incubated at 4 °C for 24 h. The results showed that compared to PGK1 and PKM2 inhibitors groups, the addition of PGK1 and PKM2 activators could accelerate glycogen consumption, ATP and lactate production, while declining pH value. Moreover, the addition of PGK1 and PKM2 activators could increase desmin degradation, μ-calpain activity, and caspase-3 abundance. Interestingly, troponin-T degradation was significantly increased both in PKM2 inhibitor and activator groups. It was suggested that PGK1 and PKM2 might be used as robust indicators to regulate meat quality by affecting the glycolysis, myofibrillar proteins, μ-calpain and apoptosis pathways in postmortem muscle.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Expérimental (laboratoire) · Signal consensuel: Expérimental (laboratoire)
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,013
Score d'incertitude au seuil0,242

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,013
Tête enseignante GPT0,217
Écart entre enseignants0,204 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeExpérimental (laboratoire)
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations10
Publié2024
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueFood Chemistry XMême sujetMeat and Animal Product QualityTravaux en français237 207