Evaluation of antifungal activity of silver nanoparticles against some phytopathogenic fungi and Trichoderma harzianum
Notice bibliographique
Résumé
In vitro antifungal activity of silver nanoparticles, at concentrations of 6, 8, 10, 12, 14 and 16 ppm, was studied on five phytopathogenic fungi, and a biocontrol agent. Then effect of silver nanoparticle at 6 ppm (optimum concentration) was evaluated on Macrophomina phaseolina in greenhouse. For in vitro experiment, the fungal isolates were grown on potato dextrose agar medium amended with silver nanoparticles. Radial fungal growth was recorded after 1, 2, 3, 5 and 10 days and mycelial growth inhibition rates were calculated. The most sensitive fungus to nanoparticles was Pythium aphanidermatum, since all tested concentrations showed 100% inhibition during the 10 days of observation.The second most sensitive fungus was Sclerotinia sclerotiorum, since it was able to grow only at concentration of 6 ppm and M. phaseolina was the third in sensitivity since its growth was inhibited in all concentrations after three days. In greenhouse experiments, five treatments including no nanosilver-no pathogen (Negative control), no nanosilver +pathogen (Positive control), 6 ppm nanosilver– no pathogen, 6 ppm nanosilver +pathogen, Carboxin-Thiram (0.15%) +pathogen were compared. Four characters viz shoot and root fresh and dry weights were measured. Based on the greenhouse experimental results, treatments with nanosilver and fungicide gave higher yields than the positive control. The chemical control treatment had the highest measured parameters, while 6 ppm nanosilver +pathogen treatment had the same parameters as negative control. It may therefore be suggested to use nanosilver as a safer alternative to chemical fungicides for control of M. phaseolina.
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 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 | 0,006 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,002 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 tête enseignante, 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 ».