Prediction of bioactive compound activity against wood contaminant fungi using artificial neural networks
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
Biopesticides based on natural endophytic bacteria to control plant diseases are an ecological alternative to chemical treatments. Bacillus species produce a wide variety of metabolites with biological activity like iturinic lipopeptides. This work addresses the production of biopesticides based on natural endophytic bacteria isolated from Quercus suber L. Artificial neural networks were used to maximize the percentage of inhibition triggered by the antifungal activity of bioactive compounds produced by Bacillus amyloliquefaciens. The active compounds, produced in liquid cultures, inhibited the growth of 15 fungi and exhibited a broader spectrum of antifungal activity against surface contaminant fungi, blue stain fungi, and phytopathogenic fungi. A 19-7-6-1 neural network was selected to predict the percentage of inhibition produced by antifungal bioactive compounds. A good match among the observed and predicted values was obtained with the R 2 values varying between 0.9965–0.9971 and 0.9974–0.9989 for training and test sets. The 19-7-6-1 neural network was used to establish the dilution rates that maximize the production of antifungal bioactive compounds, namely, 0.25 h −1 for surface contaminant fungi, 0.45 h −1 for blue stain fungi, and between 0.30 and 0.40 h −1 for phytopathogenic fungi. Artificial neural networks show great potential in the modelling and optimization of these bioprocesses.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| 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 découle