Efeito de compostos bioativos sobre a formação de biofilmes de >i<Salmonella enterica>/i<
Bibliographic record
Abstract
A indústria de alimentos enfrenta desafios significativos relacionados à contaminação por microrganismos patogênicos ou deterioradores, que podem formar biofilmes. Compostos naturais têm sido estudados como alternativas aos sanitizantes convencionais para inibir a formação de biofilmes. Neste estudo, investigou-se o efeito de curcumina, naringenina, quercetina, baicaleina, resveratrol, cinamaldeído, fitol, farnesol, eugenol, ácido rosmarínico, ácido vanílico e N-acetilcisteína sobre a formação de biofilmes de Salmonella spp. Inicialmente, foi identificada uma cepa altamente formadora de biofilme. Em seguida, a Concentração Mínima Inibitória (CMI) e as curvas de multiplicação microbiana na presença dos compostos foram determinadas. O método do Cristal Violeta (CV) foi empregado para triagem e quantificação da formação de biofilme na presença dos compostos. Os cinco compostos que apresentaram os melhores resultados inibitórios foram selecionados para testes adicionais, utilizando uma concentração fixa. O melhor composto, cinamaldeído, foi avaliado utilizando o Calgary Biofilm Device, e foram determinados parâmetros relacionados ao biofilme, como a concentração mínima inibitória (CMI), concentração mínima bactericida (CMB), concentração mínima de inibição do biofilme (CMIB) e concentração mínima de erradicação do biofilme (CMEB), além do sinergismo entre o cinamaldeído e os sanitizantes cloreto de benzalcônio, etanol e clorexidina por meio do programa SynergyFinder 3.0. A morfologia do biofilme na presença das combinações sinérgicas dos compostos foi avaliada por microscopia óptica e confocal, e em ágar vermelho congo. Uma cepa de S. Montevideo denominada SM24 foi identificada como altamente formadora de biofilme e selecionada para o estudo. A maioria dos compostos testados apresentou CMI superior às concentrações testadas. Os cinco compostos selecionados foram quercetina, naringenina, eugenol, farnesol e cinamaldeído, sendo este último escolhido como o composto com maior potencial de inibição. A combinação de cinamaldeído e clorexidina mostrou ser a mais eficaz na inibição e erradicação do biofilme, mostrando um efeito sinérgico, que também foi observado nas análises de microscopia e em ágar com vermelho congo. Este estudo poderá abrir caminho para aplicação do cinamaldeído no controle de biofilmes na indústria alimentícia.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame distilled prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. Learned from the 10,348 direct Codex labels and 10,348 direct Gemma labels. Candidate is the union of thresholded teacher heads; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels or direct frontier model labels.
Codex and Gemma teacher scores by category
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.000 | 0.000 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.000 |
| Bibliometrics | 0.000 | 0.000 |
| Science and technology studies | 0.000 | 0.000 |
| Scholarly communication | 0.000 | 0.000 |
| Open science | 0.001 | 0.000 |
| Research integrity | 0.001 | 0.000 |
| Insufficient payload (model declined to judge) | 0.000 | 0.000 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one teacher head, not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".