Optimization of Gallic Acid-Rich Extract from Mango (Mangifera indica) Seed Kernels through Ultrasound-Assisted Extraction
Notice bibliographique
Résumé
Different types of agro-waste provide potential substrates for the extraction of bioactive compounds. Mango waste (e.g., peels and seeds) is one such example and may serve as a source of gallic acid, a well-known bioactive compound classified as a secondary polyphenolic metabolite. Here, we explored the efficacy of ultrasound-assisted extraction (UAE) in extracting gallic acid from mango seed kernels using different solvent concentrations (0–60%), solvent-to-sample ratios (10–50 mL/g), temperatures (30–60 °C), and times (10–30 min). The maximum yield of gallic acid (6.1 ± 0.09 mg/g) was obtained when using a 19.4% solvent concentration, a 29.32 mL/g solvent-to-sample ratio, and the extraction was conducted at 38.47 °C for 21.4 min, similar to the values predicted by the model equation. As compared to the conventional extraction procedure, the extract obtained by the optimized method was found to be significantly different in total phenolic content, total flavonoid content, and radical scavenging activity. Non-significant differences were observed in antimicrobial activity. The results indicate that mango seed kernels may be a good source of phenolics, and those phenolics can be effectively obtained through an optimized UAE method. Hence, mango seed kernels may be utilized as a suitable source of extracting phenolics in nutraceutical and food 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 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) | 0,001 | 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) | 0,001 | 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 ».