Preparation and Optimization of Capsaicin-Loaded Chitosan Nanoparticles as Delivery Systems Using Box-Behnken Design
Notice bibliographique
Résumé
Capsaicin (CAP) is a pungent alkaloid of chili peppers that is obtained from chili peppers that has a variety of pharmacological activities and can be used in various areas, such as functional foods, nutritional supplements and medical nutrition. Capsaicin has important anticancer, antioxidant and anti-inflammatory properties that allow to be applied as treatment for several diseases. However, its lack of water solubility, as well as its poor oral bioavailability in biological systems, show limiting factors for its successful application. Recently, the formulation of capsaicin for food and pharmaceutical use is limited. Therefore, the present study emphasized on preparation of capsaicin-loaded chitosan nanoparticles (CAP-CSNPs) and design and optimization of the formulation using Box-Behnken experimental design (BBD) and response surface methodology (RSM). The capsaicin-loaded chitosan nanoparticles were prepared by o/w emulsification and ionotropic gelification. The optimized formulation of capsaicin-loaded chitosan nanoparticles had a chitosan concentration of 0.11 (%w/v), a Tween 80 ® concentration of 1.55 (%w/v) and a CAP concentration of 1 mg/mL and that it should be stored at 4°C. Box-Behnken experimental design and response surface methodology was found to be a powerful technique for design and optimization of the preparation of capsaicin-loaded chitosan nanoparticles using limited number of experimental runs. Our study demonstrated that capsaicin-loaded chitosan nanoparticles can be potentially utilized as dietary supplements, nutraceuticals and functional foods.
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 | 0,001 |
| 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 ».