Investigating the Potential of Phenolic Compounds and Carbohydrates as Acceptor Substrates for Levansucrase‐Catalyzed Transfructosylation Reaction**
Notice bibliographique
Résumé
This study characterizes the acceptor specificity of levansucrases (LSs) from Gluconobacter oxydans (LS1), Vibrio natriegens (LS2), Novosphingobium aromaticivorans (LS3), and Paraburkholderia graminis (LS4) using sucrose as fructosyl donor and selected phenolic compounds and carbohydrates as acceptors. Overall, V. natriegens LS2 proved to be the best biocatalyst for the transfructosylation of phenolic compounds. More than one fructosyl unit could be attached to fructosylated phenolic compounds. The transfructosylation of epicatechin by P. graminis LS4 resulted in the most diversified products, with up to five fructosyl units transferred. In addition to the LS source, the acceptor specificity of LS towards phenolic compounds and their transfructosylation products were found to greatly depend on their chemical structure: the number of phenolic rings, the reactivity of hydroxyl groups and the presence of aliphatic chains or methoxy groups. Similarly, for carbohydrates, the transfructosylation yield was dependent on both the LS source and the acceptor type. The highest yield of fructosylated-trisaccharides was Erlose from the transfructosylation of maltose catalyzed by LS2, with production reaching 200 g/L. LS2 was more selective towards the transfructosylation of phenolic compounds and carbohydrates, while reactions catalyzed by LS1, LS3 and LS4 also produced fructooligosaccharides. This study shows the high potential for the application of LSs in the glycosylation of phenolic compounds and carbohydrates.
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 | 0,000 | 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 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 ».