Künstliche Intelligenz versus traditionelle Ansätze in der multikomponentigen Spektralanalyse

Warum das für alltägliche Arzneimittel wichtig ist

Viele Hautcremes enthalten mehrere Wirkstoffe, die kombiniert werden, um gleichzeitig Infektionen und Entzündungen zu bekämpfen. Zu prüfen, ob jeder Bestandteil in der richtigen Dosierung vorhanden ist, ist für die Sicherheit unerlässlich, doch ihre chemischen „Fingerabdrücke“ überlappen oft, wodurch sie schwer voneinander zu unterscheiden sind. Diese Studie zeigt, wie frei verfügbare künstliche Intelligenz (KI)-Werkzeuge zusammen mit traditionellen Laborinstrumenten eingesetzt werden können, um diese Signale schneller, kostengünstiger und nachhaltiger zu entwirren — insbesondere in Labors, denen teure Software und Geräte fehlen.

Ein dichtes chemisches Bild entwirren

Die Forschenden konzentrierten sich auf eine gängige verschreibungspflichtige Creme, die vier Wirkstoffe kombiniert — ein Antimykotikum, ein entzündungshemmendes Steroid und zwei Antibiotika — sowie ein Konservierungsmittel. Wird dieses Gemisch mit einem standardmäßigen Ultraviolett–Visible (UV–Vis)-Spektralphotometer untersucht, überlappen die resultierenden Kurven so stark, dass es schwierig ist, jeden Bestandteil separat zu messen. Frühere Arbeiten derselben Gruppe hatten bereits gezeigt, wie mit zwei der Komponenten umzugehen ist. Hier gingen sie das schwierigste verbliebene Trio an, das ein stark überfülltes Dreifachsignal bildet und damit viele komplexe pharmazeutische Gemische repräsentiert.

Alte Werkzeuge gegen intelligente Helfer

Traditionell verlassen sich Chemiker auf proprietäre Instrumentensoftware, um diese Überlappungen durch eine Abfolge manueller Schritte zu verringern — Wahl der Wellenlängen, Transformationen der Spektren und schrittweises Erstellen von Kalibrierkurven. Das ist langsam, kann von Bediener zu Bediener variieren und erfordert meist lizenzierte Programme. In dieser Studie verglich das Team diesen klassischen Weg mit einer KI-gestützten Methode, die frei zugängliche Werkzeuge wie ChatGPT und Microsoft Copilot nutzt. Die Rohspektraldaten werden als einfache Tabellenkalkulationsdateien exportiert, und der Chemiker führt die KI mit strukturierten Eingaben an, um die gleichen mathematischen Verfahren auszuführen: Spektren teilen, Ableitungen bilden, Bereiche mit minimalen Störungen finden und Regressionsgleichungen erstellen, die Signalgröße und Konzentration verknüpfen.

Neue Wege, das Rauschen zu durchdringen

Um die Sicht auf die drei überlappenden Wirkstoffe zu schärfen, verfeinerten die Autoren eine mathematische Technik in zwei Varianten: eine sorgfältig abgestimmte manuelle Version und eine KI-getriebene Version. Beide beruhen auf geschickten Kombinationen von Spektren, die unerwünschte Anteile effektiv auslöschen und so ein klareres Signal für jeden Bestandteil zurücklassen. Die vollständig manuelle Methode führt ein „faktorisiertes“ Spektrum ein, das die Empfindlichkeit an den besten Peaks erhöht. Die automatisierte Methode bittet die KI, dieselben Schritte auszuführen und sogar vorzuschlagen, welche Wellenlängen die verlässlichste lineare Beziehung zwischen Signal und Menge liefern. Nach etwas Hin und Her, einschließlich der Schulung der KI durch Screenshots des traditionellen Workflows, lieferte der automatisierte Ansatz praktisch die gleichen numerischen Ergebnisse wie die etablierte Software — vergleichbare Genauigkeit, Präzision und Nachweisgrenzen bei deutlich reduziertem Hands-on-Aufwand.

Überprüfung der Zuverlässigkeit und der Umweltwirkung

Um sicherzustellen, dass diese Abkürzungen die Qualität nicht beeinträchtigen, validierten die Forschenden sowohl die manuelle als auch die KI-gestützte Methode strikt nach internationalen Richtlinien. Sie bestätigten, dass die Messwerte in den benötigten Konzentrationsbereichen linear waren, dass wiederholte Messungen konsistent ausfielen und dass die neuen Verfahren statistisch mit offiziellen pharmakopöeischen Methoden und früher veröffentlichten Techniken übereinstimmten. Über die Leistung hinaus untersuchten sie auch die Nachhaltigkeit mithilfe eines modernen „white analytical chemistry“-Bewertungssystems, das Umweltwirkung, Praktikabilität und Innovation zu einem einzigen „Whiteness Score“ zusammenführt. Mit Hilfe von Copilot zur Beschleunigung der 51-Punkte-Checkliste erhielten sie einen Wert von etwa 61 %, was auf gute Praktikabilität, aber auch auf die Probenvorbereitung als Hauptumweltbelastung und wichtigen Punkt für zukünftige Verbesserungen hinweist.

Was das künftig bedeutet

Kurz gesagt zeigt diese Arbeit, dass freie KI-Assistenten gewöhnlichen UV–Vis-Instrumenten helfen können, komplexe Arzneimittelmischungen mit einer Feinheit zu bearbeiten, die sonst teureren Techniken vorbehalten ist. Unter Aufsicht eines erfahrenen Chemikers kann KI schnell dichte Spektraldaten durchforsten, sauberere Signale herausfiltern und verlässliche Zahlen liefern — und dabei die methodische Umweltbilanz dokumentieren und bewerten. Für Patientinnen und Patienten unterstützt das eine präzisere Qualitätskontrolle von Mehrstoffcremes. Für Labors, insbesondere in ressourcenbeschränkten Umgebungen, bietet es einen Weg zu schnelleren, grüneren und besser zugänglichen Tests, ohne wissenschaftliche Strenge aufzugeben.

Zitation: Fahmy, N.M., Obaydo, R.H. & Lotfy, H.M. Artificial intelligence versus traditional approaches in multicomponent spectral analysis. Sci Rep 16, 7835 (2026). https://doi.org/10.1038/s41598-026-39433-3

Schlüsselwörter: Spektralphotometrie, pharmazeutische Analyse, künstliche Intelligenz, Mehrkomponenten-Gemische, grüne analytische Chemie