Bioconversion of lignocellulose in ensiled Caragana korshinskii Kom. into bioethanol by ferulic acid esterase-producing Limosilactobacillus reuteri A4-2 and Acremonium cellulase
Notice bibliographique
Résumé
Woody and agricultural residues, such as Caragana korshinskii Kom. (Korshinsk pea shrub), have gained significant attention as a sustainable feedstock for biofuel production. This study developed a novel ensiling approach by combining ferulic acid esterase-producing Limosilactobacillus reuteri A4–2 (LR) with Acremonium cellulase (AC) as additives to enhance bioethanol production from C . korshinskii . Four treatments were: biomass ensiled without additive (control), or with LR, AC, and a combination of LR with AC for 3, 7, 14, 30, and 60 d. The addition of LR, AC, or both improved fermentation quality by inhibiting undesirable bacteria and modifying the microbial communities, leading to increased lactic acid, ferulic acid and crude protein contents, with a lower ammonia nitrogen content in C. korshinskii silages. These treatments also enhanced the degradability of structural carbohydrates releasing more fermentable sugars after ensiling, with the LR+AC showing the best results. Spectroscopic analyses provided visual evidence of chemical bond disruption, morphological changes, and decrystallization in the ensiled C. korshinskii . Separate hydrolysis and fermentation (SHF) experiments conducted with the silages which revealed that pretreatment with LR+AC improved cellulose conversion and ethanol yield by 9.9 % and 53.4 % compared to the control, achieving a maximum ethanol yield of 29.4 % during SHF process. The Sankey diagram showed that L. reuteri abundance was positively correlated with improved silage quality, which in turn was correlated to higher ethanol yield. Overall, ensiling C. korshinskii with L. reuteri A4–2 and Acremonium cellulase provides a promising strategy for efficient biofuel production from lignocellulose biomass.
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) | 0,001 | 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 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 ».