Berry quality and nutritional composition in seabuckthorn ( <i>Hippophae rhamnoides</i> L.): a multi-year evaluation of selectively bred genotypes
Notice bibliographique
Résumé
This study explores selective breeding in shaping the yield, berry size, and nutritional quality of seabuckthorn ( Hippophae rhamnoides L.), a nutrient-dense berry crop with significant value-added potential. Utilizing a diverse germplasm collection evaluated over two growing seasons, we identified superior genotypes exhibiting enhanced berry weight, higher Brix values, and improved nutritional profiles. Fifty-berry weights varied from 13.2 to 38.6 g, with genotypes exhibiting notable improvements in size and sugar content. Multivariate analyses, including principal component analysis and hierarchical clustering of metabolic data, revealed distinct year-to-year differences, underscoring the strong influence of environmental conditions on fatty acids and flavonoid composition. Specifically, 2015 showed significant increases in pulp and seed lipid content, omega-3 and omega-6 fatty acids, while saturated fatty acids remained stable. Flavonoid profiling revealed elevated levels of kaempferol and quercetin without changes in total flavonoid content. Conversely, total and individual sugars were significantly higher in 2014. Carotenoid profiling during berry development revealed dynamic changes in lutein, lycopene, and carotene accumulation. Integrating seed nutritional composition with agronomic performance across both seasons, we identified genotypes AAFC-24, AAFC-13, AAFC-5, and AAFC-2 as stable, high-performing genotypes with superior yield and nutritional traits. These findings highlight the combined effects of genetics and environment on seabuckthorn berry quality, offering valuable insights for breeding programs aimed at optimizing yield, nutritional value, and functional food applications.
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 | 0,001 | 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 ».