Interaction between orange juice and < 1 kDa leaf peptides: effect on the antioxidant and antidiabetic related enzyme inhibitory activities
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
Abstract Designing a good vehicle for functional ingredients is the major focus of this study. Small molecular weight peptides (< 1 kDa) extracted from amaranth leaf protein (ALP), eggplant leaf protein (ELP) and fluted pumpkin leaf protein (FLP) were incorporated into freshly prepared orange juice at an effective and inhibitory concentrations of the peptides. The rate of degradation of ascorbic acid was more in the control juice (140.06 to 18.43 mg/mL) when compared with juice containing peptides at both storage conditions (140.08 to 32.32 mg/mL). However, the rate of ascorbic acid reduction during storage (refrigerated and ambient) was least in the juice containing peptide, isolated from ELP when compared with the juice samples that contained peptides isolated from ALP and FLP. After the eighth week of storage, juice that contained FLP peptide had greater amounts of residual total phenolic content (370.53 & 432.33 µg GAE/100 mL), juice that contained ALP peptide retained better ability to scavenge DPPH radicals (52.32 & 66.84%) while juice sample that contained ELP retained more metal chelating activities (44.82 and 51.03%). The results of antidiabetic property showed that juice containing peptide isolated from ALP contained greater amounts of α-amylase inhibitory activity (41.50 and 46.89%) while greater amounts of α-glucosidase inhibitory activities were retained in juice that contained peptide isolated from FLP. The results concluded that orange juice may be considered a veritable vehicle for functional ingredients for improved health. Graphical Abstract
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) | 0,000 | 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 découle