Factors affecting health-beneficial compounds in lettuce
Notice bibliographique
Résumé
Lettuce contains several health-beneficial compounds. Increasing the concentration of key health-beneficial compounds in lettuce has thus become an objective of several breeding programs and producers. In a first experiment, 38 genotypes of lettuces including crisphead, butterhead, romain, leaf lettuce, stem, Latin and wild species, were grown in greenhouses at two sites and concentrations of major flavonoids and phenolic compounds were quantified. In a second experiment, 6 cultivars of lettuce were grown in growth chambers with high (20°C night/28°C day) or control (14°C night/18°C day) temperatures to study the effect of heat stress on the concentration of health-beneficial compounds in lettuce. The results indicated that concentrations of total flavonoids, total phenolics, Ferric-Reducing Antioxidant Power (FRAP) and chicoric differed significantly among lettuce genotypes. Results at the two sites were highly correlated, thus selection at one site may be sufficient. Among the most commonly cultivated types, red leaf lettuces had the highest total flavonoids concentration at the maturity stage, followed by butterhead, and green leaf, while crisphead and batavia had the lowest concentrations. Health-beneficial compounds could be affected by heat stress in lettuce, however, different lettuce cultivars responded differently to the heat stress.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,002 |
| 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 ».