Growing High Quality Plant Material for Natural Health Products
Notice bibliographique
Résumé
Natural health products are commonly made from plant material in facilities where they can be stored for weeks to years. For stable ingredients, this process does not significantly change the phytochemical composition, but products with less stable bioactive phytochemicals such as melatonin are being introduced. Plant sourced melatonin, known as “phytomelatonin”, is the basis for a new line of nutraceuticals that are recommended for sleep disorders and anxiety. However, due to its lower stability, melatonin may have a short shelf-life. Therefore, methods to increase melatonin concentration in medicinal plants could provide better supplements. We hypothesized that varying light spectra changes melatonin and serotonin contents in tissues of Hypericum perforatum (St. John's Wort) and Scutellaria species (skullcap). Axenic cultures were exposed to red, blue, green or white light spectra provided by light emitting diode lighting systems, then serotonin and melatonin were quantified by ultra performance liquid chromatography-tandem mass spectrometry. Our data shows that in St. John's Wort, melatonin concentration is significantly affected by light spectra with the highest values in green light, and decreasing concentrations in the order of red, blue, white and fluorescent light (p < 0.001). In Scutellaria lateriflora and S. galericulata, the concentration of abscisic acid (ABA) was the highest under white light (p = 0.004 and p = 0.012, respectively). ABA concentration in S. galericulata had a decreasing trend under exposure of green, blue and red LED light. It is important to optimize the growth of plants as the demand for plant-based products grows. By optimizing the growth of the plant through the use of light, we can improve the medicinal chemical profile to improve products.
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 | 0,000 |
| 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) | 0,001 | 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 ».