Enzymes from Fishery and Aquaculture Waste: Research Trends in the Era of Artificial Intelligence and Circular Bio-Economy
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
In the era of the blue bio-economy, which promotes the sustainable utilization and exploitation of marine resources for economic growth and development, the fisheries and aquaculture industries still face huge sustainability issues. One of the major challenges of these industries is associated with the generation and management of wastes, which pose a serious threat to human health and the environment if not properly treated. In the best-case scenario, fishery and aquaculture waste is processed into low-value commodities such as fishmeal and fish oil. However, this renewable organic biomass contains a number of highly valuable bioproducts, including enzymes, bioactive peptides, as well as functional proteins and polysaccharides. Marine-derived enzymes are known to have unique physical, chemical and catalytic characteristics and are reported to be superior to those from plant and animal origins. Moreover, it has been established that enzymes from marine species possess cold-adapted properties, which makes them interesting from technological, economic and sustainability points of view. Therefore, this review centers around enzymes from fishery and aquaculture waste, with a special focus on proteases, lipases, carbohydrases, chitinases and transglutaminases. Additionally, the use of fishery and aquaculture waste as a substrate for the production of industrially relevant microbial enzymes is discussed. The application of emerging technologies (i.e., artificial intelligence and machine learning) in microbial enzyme production is also presented.
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.
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 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 découle