Predicting terpene content in dried conifer shoots using near infrared spectroscopy
Notice bibliographique
Résumé
Terpenes are phytochemicals found in multiple plant genera, especially aromatic herbs and conifers. Terpene content quantification is costly and complex, requiring the extraction of oil content and gas chromatography analyses. Near infrared (NIR) spectroscopy could provide an alternative quantitative method, especially if calibration can be developed with the spectra of dried plant material, which are easier and faster to acquire than oil-based spectra. Here, multispecies NIR spectroscopy calibrations were developed for total terpene content (mono- and sesquiterpenes) and for specific terpenes (α-pinene, β-pinene and myrcene) with five conifers species ( Picea glauca, Picea rubens, Pinus resinosa, Pinus strobus and Thuja occidentalis). The terpene content of fresh shoot samples was quantified with gas chromatography. The NIR spectra were measured on freeze-dried samples (n = 137). Using a subset of the samples, modified partial least squares regressions of total terpene and the three individual terpenes content were generated as a functions of the NIR spectra. The standard errors of the internal cross-validations (values between 0.25 and 2.28) and the ratio of prediction to deviation ratios (RPD values between 2.20 and 2.38) indicate that all calibrations have similar accuracy. The independent validations, however, suggest that the calibrations for total terpene and α-pinene content are more accurate (respective coefficient of determination: r 2 = 0.85 and 0.82). In contrast, calibrations for β-pinene and myrcene had a low accuracy (respectively: r 2 = 0.62 and 0.08), potentially because of the low concentration of these terpenes in the species studied. The calibration model fits (i.e., r 2 ) are comparable to previously published calibration using the spectra of dried shoot samples and demonstrate the potential of this method for terpenes in conifer samples. The calibration method used could be useful in several other domains (e.g. seedling breeding program, industrial), because of the wide distribution of terpenes and especially of pinenes.
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 | 0,000 | 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 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 ».