Evaluation of different lignocellulosic biomass pretreatments by phenotypic microarray-based metabolic analysis of fermenting yeast
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
Advanced generation biofuel production from lignocellulosic material (LCM) was investigated. A range of different thermo-chemical pre-treatments were evaluated with different LCM. The pre-treatments included; alkaline (5% NaOH at 50°C), acid (1% H2SO4 at 121°C) and autohydrolytical methods (200°C aqueous based hydrothermal) and were evaluated using samples of miscanthus, wheat-straw and willow. The liberation of sugars, presence of inhibitory compounds, and the degree of enhancement of enzymatic saccharification was accessed. The suitability of the pre-treatment generated hydrolysates (as bioethanol feedstocks for Saccharomyces cerevisiae) was also accessed using a phenotypic microarray that measured yeast metabolic output. The use of the alkaline pre-treatment liberated more glucose and arabinose into both the pre-treatment generated hydrolysate and also the hydrolysate produced after enzymatic hydrolysis (when compared with other pre-treatments). However, hydrolysates derived from use of alkaline pre-treatments were shown to be unsuitable as a fermentation medium due to issues with colloidal stability (high viscosity). Use of acid or autohydrolytical pre-treatments liberated high concentrations of monosaccharides regardless of the LCM used and the hydrolysates had good fermentation performance with measurable yeast metabolic output. Acid pre-treated wheat straw hydrolysates were then used as a model system for larger scale fermentations to confirm both the results of the phenotypic microarray and its validity as an effective high-throughput screening tool.
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 | 0,000 |
| 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 | 0,000 |
| 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) | 0,001 | 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 découle