Comparative Analysis of Anti-Nutritional Factors in Edible Legumes
Notice bibliographique
Résumé
Edible legumes are rich in protein, dietary fiber, minerals and various functional active components, and are an important part of the global dietary structure. However, while these beans are providing nutritional value, they also contain a variety of anti-nutritional factors, such as phytic acid, oxalic acid, tannin, saponin, protease inhibitor and lectin, which may affect the absorption and utilization of key nutrients by the human body. This study systematically reviewed the types of common anti-nutritional factors in edible legumes, their physiological mechanisms of action, and the distribution patterns of their contents in different legumes (such as soybeans, mung beans, peas, red adzuki beans, kidney beans, and chickpeas), analyzed their interactions with nutritional components, and explored their possible positive physiological functions. The research progress of traditional and modern detoxification treatment technologies (such as fermentation, enzyme treatment, genetic modification, etc.) was also reviewed, and the practical experiences of different countries and regions in the control of anti-nutritional factors were discussed. Through in-depth comparisons of the composition, functional effects and treatment strategies of anti-nutritional factors, this study aims to provide scientific basis and technical references for the nutritional optimization, variety breeding and functional product development of edible legumes, and promote the sustainable utilization and value enhancement of legumes in the fields of food and health.
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 | 0,002 |
| 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 ».