The Potential of Different Extraction Methods of Soursop (<i>Annona Muricata</i> Linn) Leaves as Antimicrobial Agents for Aquatic Animals
Notice bibliographique
Résumé
A cup plate diffusion method was employed to determine the antibacterial and antifungal activities of aqueous, ethanolic and methanolic extracts of soursop ( Annona muricata ) leaves against four clinical strains of bacteria isolates from Clarias gariepinus and Oreochromis niloticus . They were Bacillus subtilis , Staphylococcus aureus , Streptococcus iniae , Aeromonas hydrophila and Aspergillus niger . Phytochemical screening and Minimum Inhibitory Concentration (MIC) of soursop leaves were established through standard methods. Data obtained were subjected to ANOVA at P = 0.05. The diameter of zone of inhibition varies depending on pathogens and method of extraction. An average diameter of zone of inhibition ranges from without inhibition zone in control to 20 ± 0.01 mm, without inhibition zone in control to 21 ± 0.02 mm and without inhibition zone in control 25 ± 0.01 mm for aqueous, ethanolic and methanolic extracts respectively. The extracts displayed higher activities to the Gram positive organisms. Chloramphenicol and distilled water were used as control. Phytochemical screening indicated the presence of tannins, glucosinolates, phenols, amino acids and polysterols and absence of saponins. The result of MIC of soursop leaves extracts on the pathogens investigated was 500 µg/ ml, 500 µg/ ml and 1000 µg/ml for aqueous, ethanolic and methanolic extracts respectively. The results indicated that different methods of extraction of soursop leaves had antimicrobial activity on the pathogens ( B. subtilis , S. aureus , S. iniae , A. hydrophila and A. niger ) and suggested that soursop extracts can be used in fish farming to inhibit bacterial growth and improved fish health.
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 | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 ».