Authentication of Dog Fat With Gas Chromatography-Mass Spectroscopy Combined With Chemometrics
Notice bibliographique
Résumé
Indonesia is a country with a majority of Muslim population. As a Muslim majority country, providing halal products becomes a liability. The problem that has received a lot of attention right now is the concern that contamination of food products by meat, one of them is dog meat. The purpose of this study was to authenticate dog fat by using Gas Chromatography-Mass Spectrophotometry (GC-MS)combined with chemometrics. Dogs that used in the study were taken from Bantul, Yogyakarta. Dog snacks were heated in an oven at 90-100ᵒC for approximately one hour. Oils / fats obtained from derivatization process was carried out by using NaOCH3 and BF3. The methyl ester compound was injected into the GC-MS instrument system. The Results of this study was dog fat that analyzed by GC-MS contains 9 types of fatty acids, namely: lauric (1.19 ± 0.25)%, myristate (4.33 ± 0.30)%, pentadekanoate (0.12 ± 0.02)%, palmitoleate (4.60 ± 0.07)%, palmitate (12.80 ± 2.90)%, margarate (0.13 ± 0.09)%, oleate (44 , 33 ± 5.22)%, stearic (14.71 ± 0.32)%, and arachidonic (1.29 ± 0.11)%. Total content of fatty acids in dogs was 50.22% and saturated fatty acids were 33.03%. Chemometric grouping with the Principles Component Analysis (PCA) shows that dog fat is very close to lard. The fatty acids that contained in dog fat can be used to authenticate dog meat.
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 | 0,000 | 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 | 0,000 | 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 ».