Breeding for plant‐based proteins in pulse and legume crops: Perspectives, challenges and opportunities
Notice bibliographique
Résumé
Abstract The consumption of plant proteins is increasing worldwide as a viable alternative to animal‐derived proteins in the marketplace. The projected increase in global population to at least 10 billion by 2050 is placing greater pressure on the food supply, particularly due to the rising demand for large‐scale protein production. This protein transition is caused by macro‐drivers such as changing consumer demographics, environmental sustainability, animal ethics, regulatory influences, and changing dietary patterns. Research efforts worldwide have explored various food applications for plant protein ingredients, including meat analogs, dairy alternatives, beverages, bakery products, and hybrid products. We provide here a review of the potential for legume breeding programs to incorporate traits that target the emerging plant‐based protein market and aim to promote discussion among (but not limited to) plant breeders and geneticists, plant physiologists, agricultural economists, food scientists and chemists, and agricultural engineers. The prospects, progress, and tools developed when breeding for protein content, quality, structure, and functionality of several food legumes (common bean— Phaseolus vulgaris , pea— Pisum sativum , lentil— Lens culinaris , chickpea— Cicer arietinum , faba bean— Vicia faba , and mung bean— Vigna radiata ) are presented. We also present some of the physiological processes that affect the accumulation of nitrogen and protein metabolism in tropical legume crop species, providing some insight into potential breeding targets for improving protein concentration, quality, and structural and functional properties. Finally, a perspective of industrial processing technologies for extracting and transforming plant proteins is discussed.
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 | 0,001 |
| 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 ».