Extracting flavonoid from <i>Ginkgo biloba</i> using lignocellulolytic bacteria <i>Paenarthrobacter sp</i>. and optimized via response surface methodology
Notice bibliographique
Résumé
Abstract Ginkgo biloba flavonoids are important natural bioactive compounds with strong physiological effects. To develop an eco‐friendly and effective method for extracting flavonoids from plants, a microbial method involving lignocellulose‐degrading bacterial enzymes was developed to improve flavonoid extraction from Ginkgo biloba leaves. In this study, a newly isolated bacterial strain, Paenarthrobacter sp. S1.3, was employed for the fermentation processing of Ginkgo biloba leaf powder. The enzymatic characteristics of xylanase, CMCase, polygalacturonase, and β ‐glucosidase from Paenarthrobacter sp. S1.3 were also investigated. The major fermentation parameters for the microbial extraction of Ginkgo biloba flavonoids were optimized using response surface methodology. Under optimal conditions (30.6 °C, initial pH 7.6, and fermentation time 25 h), a total flavonoid yield of 34.15 ± 0.52 mg g −1 dry weight was obtained, which was 2.11 fold and 1.42 fold higher than the yields obtained from the unfermented and ethanol extraction methods, respectively. The optimized results also suggest that the polygalacturonase and β ‐glucosidase might play an important role in flavonoid extraction. Fermentation utilizing lignocellulose‐degrading bacteria was a feasible green approach to improve the extraction of natural compounds from plants. © 2021 Society of Chemical Industry and John Wiley & Sons, Ltd
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 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 ».