Functional food candidate from Indonesian green algae Caulerpa racemosa (Försskal) J. Agardh by two extraction methods: Metabolite profile, antioxidant activity, and cytotoxic properties
Notice bibliographique
Résumé
There is an urgent need to explore natural sources like Caulerpa racemosa (Försskal) J. Agardh for bioactive compounds with strong antioxidant and therapeutic potential, providing sustainable alternatives for health and pharmaceutical innovation. This study aimed to determine the phytochemical profile and biological activities of extracts from edible green algae–known as sea grapes ( C. racemosa ). This present study has successfully identified secondary metabolites through untargeted metabolomic profiling by liquid chromatography-high resolution mass spectrometry (LC-HRMS) as well as a bioactive peptide . The antioxidant activity and cytotoxicity of extracts from C. racemosa and compounds were determined. A total of 103 metabolites were identified in the C. racemosa extract obtained by the maceration (ME), while 48 metabolites were detected in the soxhlet extract (SE). The sequence of the identified peptide was ELWKTF (Glu-Leu-Trp-Lys-Thr-Phe; C 41 H 58 N 8 O) and its abundance was identified in the α-chymotrypsin hydrolysate of C. racemosa . In the antioxidant activity test, SE and purified fraction 1 (PF1) had EC 50 <EC 50 of control or Glutathione (GSH) in terms of 2,2-Diphenyl-1-picrylhydrazyl (DPPH) inhibition, and PF1 had EC 50
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) | 0,000 | 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) | 0,001 | 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 ».