Screening of tocols content in different maize kernel type
Notice bibliographique
Résumé
Maize (Zea Mays L.) is one of the main crops after rice and wheat commonly grown worldwide and one of the major food sources, especially for developing countries. Pigmented maize (yellow, black, purple, orange, red, and blue) and maize with specific traits contain secondary metabolites that have a positive role and protective impact on human health. Bioactive compounds naturally occurring in maize are tocopherols (α-T, β-T, γ-T and δ-T) and tocotrienols (α-T3, β-T3, γ-T3 and δ-T3), together called tocols or vitamin E. This study aimed to estimate the content of tocols in different maize kernel types and evaluate a possible linkage between them. In our study, the content of tocols in popcorn, white, yellow, red, orange, and sweet maize was determined using high-performance liquid chromatography with fluorescence detection (HPLC-FLD). Obtained results revealed that the sweet maize has the highest content of β + γ-T (55.18 – 94.30 μg/g dry weight (dw)) among all tested maize kernel types. Similarly, in yellow and orange maize kernel types was found the highest content of α-T (9.44 – 20.54 μg/g dw) in comparison to other maize kernel types. According to the Principal Component Analysis (PCA), samples of popcorn, sweet, and red maize were separated on loading plots indicating a unique linkage between kernel types and tocols content. The obtained results indicate that there is a need to improve the nutritional quality of maize kernel in terms of vitamin E content, especially for white and yellow, which are predominantly used in human nutrition in Europe.
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) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| 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 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 ».