Effect of Natural Preservatives (Moringa Leaf and Ginger Root) on Nutrients and Shelf Life of Smoked African Catfish
Notice bibliographique
Résumé
This research investigates the effectiveness of Moringa, Ginger, and their combination as bio-preservatives for smoked catfish. The study assessed these treatments’ impacts on proximate composition, biochemical and microbiological properties, and sensory attributes over a 12 week storage period. The combination of Moringa and Ginger (T4) significantly improved the nutritional quality of smoked catfish, achieving the lowest moisture content (4.84±0.13%) and the highest protein content (66.18±0.88%). This treatment also resulted in the lowest peroxide value (PV) (6.10±1.80 meq/kg), thiobarbituric acid reactive substances (TBAR) (1.64±0.47 mg malondialdehyde/kg), total volatile base nitrogen (TVB-N) (13.21±5.73 mg N/100g), and trimethylamine nitrogen (TMA-N) (3.61±2.95 mg N/100g), indicating reduced lipid oxidation and protein degradation. Microbiological analysis revealed the lowest total viable count (TVC) (0.71±0.82×105 CFU/g) and yeast and mould count (0.09±0.04×103 CFU/g), suggesting better microbial stability. These findings confirm that Moringa and Ginger, especially in combination, are effective natural preservatives for improving the quality and extending the shelf life of smoked catfish. Their leaves contain vital phytochemicals and have intriguing applications in the pharmaceutical, cosmetic, and food industries, and this is due to the many applications that can be found for their versatility, high levels of nutrition, and potential nutraceutical benefits. The study recommends adopting these bio-preservatives in fish processing, further research on their application across different fish species, and developing training programs for fish processors on their use.
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 ».