Bactericidal and Anti-Biofilm Activity of Ethanol Extracts Derived from Selected Medicinal Plants against Streptococcus pyogenes
Notice bibliographique
Résumé
Background: There is a growing interest in medicinal plants which have been traditionally used for the treatment of human infections. This study assessed 14 ethanol extracts (EEs) on bacterial growth and biofilm formation of Streptococcus pyogenes. Methods: Constituent major phytochemicals in the extracts were identified using ultra performance liquid chromatography-electrospray ionization-tandem mass spectrometry (UPLC-ESI-MS/MS). Micro-broth dilution and time-kill assays were used to determine antibacterial activities. Anti-biofilm activities were studied using MTT assay, and morphology of biofilms was observed by scanning electron microscopy (SEM). Transmission electron microscopy (TEM) was employed to visualize the ultra-cross section structure of bacteria treated with efficacious extracts. Results: Licorice root, purple coneflower flower, purple coneflower stem, sage leaves and slippery elm inner bark EEs were the most effective, with minimum inhibitory concentrations (MIC) and minimum bactericidal concentrations (MBC) of 62.5 μg/mL and 125 μg/mL, respectively. The minimum biofilm inhibitory concentration (MBIC) of extracts ranged from 31.5–250 μg/mL. Morphological changes were observed in treated biofilms compared to the untreated. The four most effective extracts exhibited the ability to induce degradation of bacterial cell wall and disintegration of the plasma membrane. Conclusion: We suggest that EEs of sage leaf and purple coneflower flower are promising candidates to be further investigated for developing alternative natural therapies for the management of streptococcal pharyngitis.
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 enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| 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 | 0,001 | 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) | 0,001 | 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 source (Gemma direct ou Codex distillé), 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 ».