Characterization of Bulgarian Rosehip Oil by GC-MS, UV-VIS Spectroscopy, Colorimetry, FTIR Spectroscopy, and 3D Excitation–Emission Fluorescence Spectra
Notice bibliographique
Résumé
We report the study of seven commercially available rosehip oils (Rosa canina L.) using GC-MS, colorimetry (CIELab), UV-VIS, FTIR, and 3D EEM fluorescence spectroscopy, including using a smartphone spectrometer. GC-MS revealed two groups of oil samples with different chemical constituents: ω-6-dominant with 45–51% α-linolenic acid (samples S1, S2, and S5–S7) and ω-3-dominant with 47–49% α-linolenic, 7.3–19.1% oleic, 1.9–2.8% palmitic, 1.0–1.8% stearic, and 0.1–0.72% arachidic acid (S3, S4). In S1 PUFA content was found to be ~75% with ω-6/ω-3 ≈ 2:1. Favorable lipid indices of AI 0.0197–0.0302, TI 0.0208–0.0304, and h/H 33.0–50.6 were observed. The highest h/H (50.55) was observed in S5 and the lowest TI (0.0208) in S3. FTIR showed characteristic lines at ~3021, 2929/2853, 1749, and ~1370 cm−1, and PCA yielded 60–80% variation and separated S1 from the rest of the samples, while the clusters grouped S5 and S6. The smartphone spectrometer also reproduced the individual differences in sample volumes ≤ 1 µL under 355–395 nm UV excitation. The non-destructive optical markers reflect the fatty acid profile and allow fast low-cost identification and quality control. An integrated control method including routine optical screening, periodic CG-MS verification, and chemometric models to trace oxidation and counterfeiting is suggested.
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 ».