MétaCan
Menu
Retour à la cohorte
Enregistrement W2609268683 · doi:10.24870/cjb.2017-000102

Purification and Characterization of Polygalacturonase Produced by Aspergillus niger AN07 in Solid State Fermentation

2017· article· en· W2609268683 sur OpenAlexvenueno aff
Mukesh Kumar Patidar, Anand Nighojkar, Sadhana Nighojkar, Anil Kumar

Notice bibliographique

RevueCanadian Journal of Biotechnology · 2017
Typearticle
Langueen
DomaineAgricultural and Biological Sciences
ThématiquePolysaccharides and Plant Cell Walls
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésAspergillus nigerSolid-state fermentationPectinaseFermentationChemistryAspergillusBiochemistryEnzymeFood scienceBiotechnologyMicrobiologyBiology

Résumé

récupéré en direct d'OpenAlex

Polygalacturonase, an industrial enzyme has been produced from various fungal isolates using solid state and submerged fermentation techniques. The challenge has been yield, extraction and cost of production. In the present study, a low cost solid substrate, dried papaya peel was employed for polygalacturonase production using Aspergillus niger AN07. Polygalacturonase enzyme from Aspergillus niger AN07 was purified to 24.8 fold with a 52.6% recovery through anion exchange chromatography on DEAE-cellulose and gel filtration chromatography using Sephadex G-200. The SDS-PAGE revealed that the enzyme was monomeric with a molecular weight of 64.5 kDa. The optimum pH and temperature were 5.0 and 55℃, respectively. This enzyme was stable over a wide pH range (4.0-7.0) and relatively high temperature of 55℃ for 1 h. The Km and Vmax values of polygalacturonase for polygalacturonic acid were 2.6 mg/l and 181.8 µmol/ml/min, respectively. The purified enzyme could digest the polygalacturonic acid into oligosaccharides with a small amount of galacturonic acid as visualized on thin layer chromatography.

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)0,000
score de la tête « metaresearch » (Gemma)0,000
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 seuil0,003

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
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 Opus0,010
Tête enseignante GPT0,202
Écart entre enseignants0,193 · 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

Citations22
Publié2017
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueCanadian Journal of BiotechnologyMême sujetPolysaccharides and Plant Cell WallsTravaux en français237 207