Effect of Bioactive Peptides on Gut Microbiota and Their Relations to Human Health
Notice bibliographique
Résumé
Bioactive peptides derived from both exogenous and endogenous origins have been studied extensively to use their beneficial effects in humans and animals. Bioactive peptides exhibit beneficial bodily functions and contribute to a healthy gastrointestinal system by influencing barrier functions, immune responses, and gut microbiota. Gut microbiota is a diverse microbial community that significantly influences the overall well-being and homeostasis of the body. Factors such as diet, age, lifestyle, medication, and environmental circumstances can affect the composition and diversity of the gut microbiota. The disturbances or imbalances in the gut microbiota have been associated with various health problems. The interplays between bioactive peptides and gut microbiota are not fully understood, but bioactive peptides hold promise as modulators of the gut microbiota to promote gut health. Almost all the bioactive research on human health, including the development of therapeutics and nutritional interventions, uses cell culture, even though their direct biofunctional activities can only occur when absorbed in the intestine and into the blood system. This review focuses on the current understanding of bioactive peptides in gut microbiota and their impact and mechanisms on gut and human health. The novelty of this review lies in its comprehensive analysis of the multifaceted interactions between bioactive peptides and gut microbiota, integrating knowledge from diverse disciplines between microbiology and nutrition. By elucidating the underlying mechanisms and identifying current research gaps, this review offers an outlook on the potential of bioactive peptides in promoting gut health and shaping future therapeutic and nutritional interventions.
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 ».