MétaCan
Menu
Retour à la cohorte
Enregistrement W3106103009 · doi:10.3390/en13225960

Evaluating the Potential of Rhodosporidium toruloides-1588 for High Lipid Production Using Undetoxified Wood Hydrolysate as a Carbon Source

2020· article· en· W3106103009 sur OpenAlexaff
Rahul Saini, Krishnamoorthy Hegde, Carlos S. Osorio‐González, Satinder Kaur Brar, Pierre Vezina

Notice bibliographique

RevueEnergies · 2020
Typearticle
Langueen
DomaineBiochemistry, Genetics and Molecular Biology
ThématiqueMicrobial Metabolic Engineering and Bioproduction
Établissements canadiensGDG EnvironnementYork University
Organismes subventionnairesnon disponible
Mots-clésHydrolysateChemistryBiomass (ecology)HardwoodBiofuelFood scienceLignocellulosic biomassSugarRaw materialBioenergyPulp and paper industryBotanyBiologyBiochemistryOrganic chemistryAgronomyBiotechnologyHydrolysisFermentation

Résumé

récupéré en direct d'OpenAlex

The study aims to explore microbial lipid production using an abundant and low-cost lignocellulosic biomass derived from forestry residues. Sugar-rich undetoxified hydrolysate was prepared using hardwood and softwood sawdust and used for lipid production as a carbon source from an oleaginous yeast, Rhodosporidium toruloides-1588. The maximum biomass obtained was 17.09 and 19.56 g/L in hardwood and softwood hydrolysate, respectively. Sugar consumption in both hydrolysates was >95%, with a maximum lipid accumulation of 36.68% at 104 h and 35.24% at 96 h. Moreover, R. toruloides-1588 exhibited tolerance to several toxic compounds such as phenols, organic acids and furans present in hydrolysates. The lipid characterization showed several monosaturated and polyunsaturated fatty acids, making it a potential feedstock for biofuels and oleochemicals production. This study confirms the credibility of R. toruloides-1588 as a suitable lipid producer using hydrolysates from forestry residues as a substrate. Additionally, lipids obtained from R. toruloides-1588 could be a potential feedstock for advanced biofuel production as well as for food and pharmaceutical applications.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Expérimental (laboratoire) · Signal consensuel: Expérimental (laboratoire)
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,001
Score d'incertitude au seuil0,002

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,025
Tête enseignante GPT0,273
Écart entre enseignants0,248 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeExpérimental (laboratoire)
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations37
Publié2020
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueEnergiesMême sujetMicrobial Metabolic Engineering and BioproductionTravaux en français237 207