Influence of genetic diversity and environmental factors on protein composition and anti-nutrient components in faba bean
Notice bibliographique
Résumé
With the growing popularity of plant-based diets driven by health, environmental, and ethical considerations, plant-based protein sources require diversification and optimization. Faba beans, with a high protein content (∼38%) and desirable nutritional attributes, offer significant potential as a sustainable alternative to traditional animal-based proteins. This review highlights the variability in protein content, quality, and anti-nutrient levels among faba bean varieties, influenced by genetic and environmental factors. Key environmental conditions-like temperature, irrigation, and soil composition-modulate protein levels and digestibility, often through genotype × environment (G × E) interactions. Anti-nutrients including tannins, phytate, and vicine/convicine, pose challenges to nutrient bioavailability and protein utilization. However, advances in breeding programs have enabled the development of low-anti-nutrient, high-digestibility cultivars. Processing interventions such as dehulling, soaking, germination, fermentation, and thermal treatment mitigate these limitations and enhance functional and sensory properties. While existing reviews explore the composition of faba beans and the effects of processing, this review uniquely integrates varietal differences, G × E interactions, and breeding strategies to optimize nutritional outcomes. It also calls for methodological standardization in protein and anti-nutrient analyses to enable robust comparisons across studies. By aligning breeding, agronomy, and processing innovations, faba beans can be more effectively harnessed as a nutritionally viable and sustainable protein source.
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) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| 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 ».