MétaCan
Menu
Retour à la cohorte
Enregistrement W2625365722 · doi:10.6000/1927-5129.2017.13.48

Screening of Microorganisms and Raw Materials for Lipase Production by Solid-State Fermentation

2017· article· en· W2625365722 sur OpenAlexvenueno aff
Grety Márquez Peñamaría, Giselle Morell-Nápoles, Mario César Cujilema-Quitio, Gualberto León-Revelo, Patrick Fickers, Luís Beltrán Ramos-Sánchez

Notice bibliographique

RevueJournal of Basic & Applied Sciences · 2017
Typearticle
Langueen
DomaineBiochemistry, Genetics and Molecular Biology
ThématiqueEnzyme Catalysis and Immobilization
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésSolid-state fermentationLipaseFood scienceBiodiesel productionFermentationMicroorganismChemistryRaw materialBiofuelBiodieselSunflower oilHuskBiotechnologyPulp and paper industryBiologyBiochemistryEnzymeBotanyBacteriaOrganic chemistry

Résumé

récupéré en direct d'OpenAlex

The production of biodiesel from vegetable oils using eco-friendly processes is a hot topic actually. These processes are based on enzymatic biocatalysts, namely lipases, and present many advantages over classical processes i.e. they do not require the use of sodium hydroxide, nor huge quantities of water. Lipases are widespread in nature, being produced by many microorganisms. However, fungal lipases have benefits over bacterial lipases due to their low cost of production, thermal and pH stability, substrate specificity and activity in organic solvents. These low cost production processes rely, most of the time, on solid-state fermentation (SSF). The aim of this research was to select microorganisms for their ability to secrete lipolytic enzymes and to grow on a solid support compatible with SSF. Thirty-five yeast and mold strains were tested in term of growth rate and extracellular lipase production. Different solid support such as vermiculite, crushed wheat husk, cacao seed-husk and carbon sources such as soy oil, sunflower oil, olive oil or sucrose were also tested for their ability to support cell growth and lipase production.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut 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 enseignants0,006
Score d'incertitude au seuil0,169

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0010,000
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 Opus0,016
Tête enseignante GPT0,291
Écart entre enseignants0,275 · 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 tête enseignante, 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

Citations0
Publié2017
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueJournal of Basic & Applied SciencesMême sujetEnzyme Catalysis and ImmobilizationTravaux en français237 207