Evaluation of Five Essential Oils by Gas Chromatography-Mass Spectrometry and their Effect on Fungal Growth Inhibition and Sensory Acceptability of Soymilk
Notice bibliographique
Résumé
Essential oils are widely used in the food industry as natural food preservatives to extend product shelf life and as flavoring agents. However, not much has been done on their use in soymilk. The aim of the study is to determine the compounds of five essential oils by GC-MS and their effect on fungal growth inhibition and sensory acceptability of soymilk. The components of the essential oils of five spices, namely citronella, basil, cinnamon, eucalyptus and mint were analysed by gas chromatography-mass spectrometry (GC-MS). The minimum inhibitory concentration (MIC) of the essential oils was tested on the fungus Aspergillus flavus 3.4408 on PDA (agar dilution method). Sensory evaluation of soymilk flavored with the essential oils of citronella, basil and mint at different concentrations was done by ten member panelists using a 9-point hedonic scale. The main compound for basil was eugenol 83.26%. Cinnamon contained cinnamaldehyde (97.3%). The main compounds in citronella (Cymbopogon nardus) were limonene (38.51%), citronellal (30.29%). Eucalyptus (Eucalyptus globulus) essential oil mainly contained eucalyptol/cineole (76.70%), and Mint (Mentha arvensis): Menthol 42.72%, Menthone 25.72%. The MICs of citronella, basil, cinnamon, eucalyptus and mint were 5-10 µl/ml, 0.5-1 µl/ml, ≤0.1 µl/ml, >>10 µl/ml and 10-20 µl/ml, respectively. Thus, cinnamon was the most effective in inhibiting fungal growth, while eucalyptus was the least effective. These essential oils improved the soymilk flavor. Mint was the most preferred flavor, followed by citronella and basil. Thus, essential oils especially mint and citronella can be used for improving acceptability of soymilk at low concentration.
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 | 0,003 | 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 ».