MétaCan
Menu
Retour à la cohorte
Enregistrement W2155120873 · doi:10.1002/bit.21238

Optimization of enzyme complexes for lignocellulose hydrolysis

2006· article· en· W2155120873 sur OpenAlexaff
Alex Berlin, Vera Maximenko, Neil R. Gilkes, Jack Saddler

Notice bibliographique

RevueBiotechnology and Bioengineering · 2006
Typearticle
Langueen
DomaineEngineering
ThématiqueBiofuel production and bioconversion
Établissements canadiensWestern Forest ProductsUniversity of British Columbia
Organismes subventionnairesnon disponible
Mots-clésHydrolysisEnzymeChemistryEnzymatic hydrolysisBiochemistryOrganic chemistry

Résumé

récupéré en direct d'OpenAlex

The ability of a commercial Trichoderma reesei cellulase preparation (Celluclast 1.5L), to hydrolyze the cellulose and xylan components of pretreated corn stover (PCS) was significantly improved by supplementation with three types of crude commercial enzyme preparations nominally enriched in xylanase, pectinase, and beta-glucosidase activity. Although the well-documented relief of product inhibition by beta-glucosidase contributed to the observed improvement in cellulase performance, significant benefits could also be attributed to enzymes components that hydrolyze non-cellulosic polysaccharides. It is suggested that so-called "accessory" enzymes such as xylanase and pectinase stimulate cellulose hydrolysis by removing non-cellulosic polysaccharides that coat cellulose fibers. A high-throughput microassay, in combination with response surface methodology, enabled production of an optimally supplemented enzyme mixture. This mixture allowed for a approximately twofold reduction in the total protein required to reach glucan to glucose and xylan to xylose hydrolysis targets (99% and 88% conversion, respectively), thereby validating this approach towards enzyme improvement and process cost reduction for lignocellulose hydrolysis.

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 enseignants0,001
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)0,0010,000
Bibliométrie0,0000,001
Études des sciences et des technologies0,0000,000
Communication savante0,0010,000
Science ouverte0,0010,000
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0010,001

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 Opus0,006
Tête enseignante GPT0,178
Écart entre enseignants0,172 · 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

Citations420
Publié2006
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueBiotechnology and BioengineeringMême sujetBiofuel production and bioconversionTravaux en français237 207