Phytochemical Investigation and Characterization of <i>Azadirachta Indica</i>-Mediated Silver Nanoparticles and Their Potential as Antibacterial and Antidiabetic Agents
Notice bibliographique
Résumé
In this study, we report the synthesis of silver nanoparticles (AgNP’s) by reducing silver ions from a solution of silver nitrate with an aqueous extract from Azadirachta indica. Using silver ions as the catalyst, nanoparticles were formed in 8[Formula: see text]min without the use of toxic chemicals. As evidenced by UV-vis spectroscopy, a broad surface plasmon resonance spectrum at 225[Formula: see text]nm was detected, which indicates the colloidal solution of silver nanoparticles is stable and produces silver nanoparticles. As revealed by the fourier transform-infrared spectrometer (FTIR) analysis, the flower extract contained a variety of biomolecules that acted as capping and reducing agents for the synthesis of AgNPs. As determined by X-ray diffraction (XRD), silver nanoparticles displayed a crystalline structure and ranged in size from 18 to 39[Formula: see text]nm. In addition to these findings, transmission electron microscopy (TEM) images showed that the silver nanoparticles were spherical and rod-shaped, as confirmed by scanning electron microscopy (SEM) and energy dispersive X-ray spectroscopy (EDAX). A variety of pathogenic bacteria, such as Klebsiella pneumoniae, Escherichia coli, Bacillus subtilis and Staphylococcus aureus, were tested against AgNP’s antibacterial properties. A significant inhibition zone was observed for Escherichia coli when AgNPs were applied at different concentrations. Silver nanoparticles were shown to have antidiabetic effects through a diphtheria assay with inhibition rates ranging from 31.09% to 83.33% for concentrations of 50–250[Formula: see text][Formula: see text]g/mL. As researchers seek natural sources of compounds with potential health benefits, silver nanoparticles were also investigated for their antioxidant properties.
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 ».