Rapid quantitation of fish oil fatty acids and their ethyl esters by FT‐NIR models
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Abstract Consumption of fish oil and dietary supplements containing eicosapentaenoic acid (EPA) and docosahexaenoic acid (DHA) has steadily increased because of their reported health benefits. A rapid procedure based on Fourier Transform Near Infrared Spectroscopy (FT‐NIR) models was developed for analysis of fish oil and their ethyl ester derivatives to replace the time consuming GC method. Inclusion of fish oil or ethyl esters containing varied concentrations of OA, EPA, and DHA into the FT‐NIR classification models made possible their classification and quantification. Accurate GC analysis is essential in developing reliable quantitative models since FT‐NIR is matrix dependent. Development of FT‐NIR models based on 30 m PEG capillary GC column results, as recommended by the official GC method for analysis of marine oils, proved problematic, since these columns did not resolve many geometric isomers compared to 100 m highly polar cyanopropyl polysiloxane columns. Depending on the content of geometric isomers in fish oils and ethyl esters, the levels of long‐chain n‐3 PUFA would be overestimated if the model used were based on the results from a 30 m column. The FT‐NIR method was found to be applicable to all fish oil and ethyl ester samples, except when fatty acids were outside the range examined, or contaminants were present. The FT‐NIR method was applicable to analysis of in‐plant intermediates provided contaminants were absent, or identified so they could be incorporated into the model. The FT‐NIR method was suitable to evaluate the shelf life of n‐3 PUFA concentrates.
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.
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 | 0,003 | 0,001 |
| 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 | 0,002 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 découle