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 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 | 0,001 | 0,001 |
| 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 ».