The Effect of SO2 Fumigation, Acid Dipping, and SO2 Combined with Acid Dipping on Metabolite Profile of ‘Heiye’ Litchi (Litchi chinensis Sonn.) Pericarp
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
Sulfur fumigation (SF), acid dipping (HCl treatment, HAT), and their combination (SF+HAT) are common methods for long-term preservation and color protection of litchi. However, their effects on the metabolic profile of the litchi pericarp have not been investigated. SF resulted in a yellowish-green pericarp by up-regulating lightness (L*), b*, C*, and h° but down-regulating total anthocyanin content (TAC) and a*, while HAT resulted in a reddish coloration by up-regulating a*, b*, and C* but down-regulating L*, h°, and TAC. SF+HAT recovered reddish color with similar L*, C* to SF but a*, b*, h°, and TAC between SF and HAT. Differential accumulated metabolites (DAMs) detected in HAT (vs. control) were more than those in SF (vs. control), but similar to those in SF+HAT (vs. control). SF specifically down-regulated the content of cyanidin-3-O-rutinoside, sinapinaldehyde, salicylic acid, and tyrosol, but up-regulated 6 flavonoids (luteolin, kaempferol-3-O-(6″-malonyl)galactoside, hesperetin-7-O-glucoside, etc.). Five pathways (biosynthesis of phenylpropanoids, flavonoid biosynthesis, biosynthesis of secondary metabolites, glutathione metabolism, and cysteine and methionine metabolism) were commonly enriched among the three treatments, which significantly up-regulated sulfur-containing metabolites (mainly glutathione, methionine, and homocystine) and down-regulated substrates for browning (mainly procyanidin B2, C1, and coniferyl alcohol). These results provide metabolic evidence for the effect of three treatments on coloration and storability of litchi.
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 | 0,001 | 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