Aroma Chemicals Identification by Sophisticated Technique and Their Role Against Pathogens
Notice bibliographique
Résumé
Citrus fruits and their essential oils play a vital role in every aspect of human life. Essential oils derived from citrus peel are rich in polyphenols and act as secondary metabolites to treat various diseases and they can be used as insecticide or pesticide. These citrus oil derivatives are much popular in flavour and fragrance industry and FMCG sector. In present research work five variants of citrus fruits; C. aurantium (Narinja), C. hystrix (Gondhoajlebu), C. limon (Lemon), C. limetta (Mosambi) and Citrus reticulata Blanco (Nagur Orange) were selected from different regions of India; Telangana, Andhra Pradesh, Kolkata and Maharashtra. The collected samples were further studied using SPME-GCMS analysis to identify the specific molecules which are not in common. Most identified moleculesthrough GCMS analysis are Limonene, Alpha pinene, Myrcene, Delta-carene, Sabinene etc. Each molecule has a significant aroma and used in many Flavour & Fragrance industry. The chemical molecules identified in Narinja (C. aurantium) citrus fruit are specific and not identified in any of the selected fruits they areBicyclogermacrene, Isopiperitenone, Alpha eudesmol, Beta eudesmol. Antimicrobial activity of five essential oilsreports Narinja oil has potent activity on E. coli, Staphylococcus aureus and Bacillus followed by lemon oil and orange oil on E. coli and Bacillus, Mosambion Bacillus and Gondhorajlebu on E. coli. This data reveals that there aresome specific molecules in C. aurantiumto be considered for further research for their medicinal aspects, as mosquito repellent or in F&F industry.
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) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| 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 ».