Bioactive Components in <i>Moringa Oleifera</i> Leaves and Their 3D Excitation-Emission Matrices, IR and Raman Spectra
Notice bibliographique
Résumé
Background Moringa oleifera has long been cultivated in various parts of the world and has proven beneficial properties and applications . This study aimed to explore the potential of non-destructive techniques (Raman and infrared spectroscopy) to determine the qualitative metabolic composition of Moringa oleifera leaves. Methods Gas chromatography was used to study the extract's chemical composition. Infrared, Raman, and fluorescence spectroscopy were used to analyze the leaf extract's optical properties and chemical groups. Results Selective fluorescence excitation at different wavelengths was employed to obtain the excitation-emission matrices of the ethanol and methanol extracts of the plant. The excitation-emission matrices reveal two distinct regions: • The first was in the 450–600 nm range. • The second was in the 650–775 nm range. Infrared spectroscopy identified peaks in the 3450–3200 cm −1 region, associated with hydroxyl groups, and around 2900 cm −1 , linked to aliphatic C-H and CH 2 vibrations, characteristic of fatty acids in the leaves of Moringa oleifera . The peak at 1625 cm −1 is related to the C = O stretching vibrations (lignin structures). Peaks coresponding to aromatic rings and others were also observed. Raman spectroscopy detected vibrations of methyl and methylene groups, C-C stretching in acyclic residues, C-C aldehyde vibrations, etc. Conclusion The results demonstrated that using these three techniques in tandem provides excellent results for the qualitative composition of plants. Excitation-emission matrices can be used in future studies to obtain fingerprints of plant extracts from different regions of the world by excitation in the blue part of the visible spectrum.
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 | 0,001 |
| Études des sciences et des technologies | 0,001 | 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 ».