Machine learning-driven discovery of bioactive peptides from duckweed (Lemnaceae) protein hydrolysates: Identification and experimental validation of 20 novel antihypertensive, antidiabetic, and/or antioxidant peptides
Notice bibliographique
Résumé
Duckweed, a sustainable, protein-rich aquatic plant, has recently emerged as a promising source of bioactive peptides. However, their identification remains limited and challenging in such complex mixtures. Following duckweed hydrolysis with pepsin, chymotrypsin, trypsin and papain, and a centrifugation step producing two fractions: supernatant (DS) and pellet (DP), interesting half-maximal inhibitory concentration (IC 50 ) for dipeptidyl peptidase (DPP)-IV and angiotensin-converting enzyme (ACE) inhibition were obtained for DS fractions, especially with pepsin (IC 50 = 0.7 and 0.07 mg/mL, respectively). Using partial least squares-discriminant analysis (PLS-DA) combined with quantitative structure-activity relationship (QSAR) models, five new DPP-IV inhibitors (most active: API, IC 50 = 126.88 μM), eleven new ACE inhibitors (most active: FAR, IC 50 = 13.54 μM) and four new antioxidants (>200 μM) were identified. Two sequences were active across all three tested bioactivities, revealing promising multi-target peptides. These findings highlight the potential of duckweed-derived peptides to support health and metabolic balance. • Duckweed proteins hydrolysates are promising sources of bioactive peptides • PLS-DA enables efficient bioactive peptide identification from a complex matrix • Discovery of 5 DPP-IV, 11 ACE inhibitors and 4 antioxidant peptides • Duckweed-derived peptides show potential for promoting metabolic health
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 ».