Structure-activity relationships of bioactive peptides derived from legumes: significance and perspectives
Notice bibliographique
Résumé
Legumes, esteemed globally for their rich protein content, eco-friendly lifecycle, and versatility in vegetarian, vegan, and flexitarian diets, have emerged as pivotal crops. Peptides derived from legumes, such as soybean, chickpea, pea, lentil, and peanut, can be obtained through various methods, including microbial fermentation and enzymatic hydrolysis, to exhibit several bioactivities, including antioxidant, hypoglycemic, antihypertensive, and anti-inflammatory effects. The structure of these peptides plays a crucial role in determining the bioactivities. However, comprehensive reviews or commentaries on the structure-activity relationship (SAR) of legume-derived peptides (LDPs) are currently lacking. In this review, an overview of the commonly used LDP preparation methods, the biological activities, and mechanisms underlying the SARs of the peptides are discussed. Notably, the degree of hydrolysis, molecular weight, and the amino acid hydrophobicity, basicity, aromatic degree, and position in the peptide chain (particularly at the N- or C-termini) can influence the structural conformation of LDPs to enhance their bioactivities. It was also observed that the impact of higher-order structures on the bioactivity and safety of LDPs has received limited attention in current research. Future research could harness advanced computational methods to explore more complex SARs of LDPs to attain improved applications of LDPs in functional food contexts.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| 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 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 source (Gemma direct ou Codex distillé), 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 ».