MétaCan
Menu
Retour à la cohorte
Enregistrement W2057552567 · doi:10.5539/jfr.v1n3p282

Supercritical Carbon Dioxide Extraction of Polyphenols from Pomegranate (Punica granatum L.) Leaves: Chemical Composition, Economic Evaluation and Chemometric Approach

2012· article· en· W2057552567 sur OpenAlexvenueno aff
Rodrigo N. Cavalcanti, Helmut J. Navarro-Díaz, Diego T. Santos, Maurı́cio A. Rostagno, M. Ângela A. Meireles

Notice bibliographique

RevueJournal of Food Research · 2012
Typearticle
Langueen
DomaineNursing
ThématiquePomegranate: compositions and health benefits
Établissements canadiensnon disponible
Organismes subventionnairesConselho Nacional de Desenvolvimento Científico e TecnológicoCoordenação de Aperfeiçoamento de Pessoal de Nível SuperiorFundação de Amparo à Pesquisa do Estado de São Paulo
Mots-clésPunicaChemistryExtraction (chemistry)PolyphenolSupercritical carbon dioxideContext (archaeology)Food scienceEllagic acidResponse surface methodologyChromatographyAntioxidantOrganic chemistryHorticultureBiology

Résumé

récupéré en direct d'OpenAlex

The increasing demand for high-quality products and economically and environmentally friendly technologies, as well as restrictive legislative actions, has stimulated scientific research on the extraction, purification and identification of bioactive compounds from natural sources. Pomegranate (Punica granatum L.) is commonly used in traditional medicine due to its pharmacological properties, such as its anti-inflammatory, antihepatotoxicity, anti-lipoperoxidation, antidiabetic, anti-cancer and antimicrobial activities. The use of industrial residues as sources of bioactive compounds has emerged as an economically viable solution to the problem of solid waste treatment. In this context, this work aimed to evaluate the SC-CO2 extraction of polyphenols from pomegranate leaves, evaluating the influence of temperature (40 and 50°C) and pressure (10-30 MPa) on extraction yield (EY), total phenolic content (TPC), antioxidant activity (AA) and the cost of manufacturing (COM) of the extracts. Principal component analysis (PCA) was used to reduce the dimensionality of multivariate data, making the visualization more straightforward and manageable. A high EY and TPC and low COM were obtained at the most effective operational conditions of 50°C and 30 MPa. The lack of correlation between EY-AA and TPC-AA indicated the coextraction of non-phenolic compounds. This assumption was corroborated by GC-MS analysis, which showed high levels of eicosanol, squalene, linoleic acid and tocols. Even though SC-CO2 extraction resulted in a high TPC (257-389 mg.g-1) compared to the literature data, the low EY (0.21-0.67 %) and non-phenolic presence suggest that SC-CO2 extraction may be a good purification pretreatment for the removal of non-polyphenolic compounds prior to further polyphenol extraction.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,001
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Expérimental (laboratoire) · Signal consensuel: Expérimental (laboratoire)
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,002
Score d'incertitude au seuil0,004

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,001
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0000,001
Bibliométrie0,0010,001
Études des sciences et des technologies0,0000,000
Communication savante0,0010,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,001
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,105
Tête enseignante GPT0,408
Écart entre enseignants0,303 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeExpérimental (laboratoire)
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations48
Publié2012
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueJournal of Food ResearchMême sujetPomegranate: compositions and health benefitsTravaux en français237 207