Optimización del proceso de extracción de la fórmula Sanhuang Qingre integrando metodología de superficie de respuesta, análisis de correlación gris y aprendizaje automático

Mejor medicina a partir de hierbas antiguas

Mucha gente confía en remedios herbales tradicionales, pero queda una pregunta persistente: ¿cómo podemos hacer que estas fórmulas milenarias sean tan estables, eficaces y consistentes como los medicamentos modernos? Este estudio aborda esa cuestión para la fórmula Sanhuang Qingre, una prescripción tradicional china utilizada para tratar la sinusitis crónica y alérgica, empleando herramientas avanzadas de datos y aprendizaje automático para afinar cómo se extraen sus ingredientes medicinales.

Un remedio herbal con problemas modernos

La fórmula Sanhuang Qingre combina varias hierbas, incluidas coptis, escutellaria, astrágalo, poria y otras, para reducir la inflamación, combatir microbios y apoyar la reparación tisular en personas con problemas nasales persistentes. Durante años se ha utilizado como gotas nasales elaboradas en hospitales, pero esta forma líquida no permanece mucho tiempo en la nariz y no es muy estable, lo que limita su uso más amplio. Para mejorar el medicamento y, posiblemente, desarrollar nuevas formas farmacéuticas, los investigadores se centraron primero en un paso crucial pero a menudo descuidado: el proceso de extracción que separa las sustancias activas de las hierbas crudas. Una extracción más eficiente y bien controlada implica que cada lote del medicamento pueda aportar una dosis fiable de sus componentes útiles.

Midiendo muchos ingredientes a la vez

A diferencia de fármacos simples que contienen una sola molécula activa, esta fórmula actúa mediante un conjunto de compuestos que actúan en conjunto. El equipo seleccionó 11 sustancias clave conocidas por tener efectos antibacterianos, antivirales, antioxidantes o antiinflamatorios, junto con el rendimiento global de la extracción. En lugar de juzgar el éxito por un solo compuesto, crearon una única “puntuación integral” que combina los 12 indicadores. Para hacerlo de forma justa, combinaron el conocimiento de expertos (qué ingredientes importan más clínicamente) con estadísticas objetivas (qué medidas varían más y aportan más información). Este enfoque híbrido de ponderación les permitió evaluar cada ensayo de extracción de manera equilibrada y científicamente transparente.

Probar condiciones con diseño experimental inteligente

Los investigadores examinaron cómo tres factores principales—la concentración de etanol, el tiempo de calentamiento bajo reflujo y la relación líquido–sólido—afectaban a la puntuación integral. En lugar de cambiar un factor a la vez a ciegas, usaron un experimento estructurado llamado diseño de Box–Behnken, que varía sistemáticamente los tres y captura las interacciones entre ellos. El modelado estadístico (metodología de superficie de respuesta) reveló que la concentración de etanol y el tiempo de extracción tenían la mayor influencia, mientras que la relación líquido–sólido desempeñaba un papel más sutil. A partir de este análisis, se predijeron como mejores condiciones una extracción con 55% de etanol, durante 2 horas por ciclo, con una relación líquido–sólido de 12 mL por gramo de hierba.

Dejar que los algoritmos busquen el punto óptimo

Para ir más allá de la estadística tradicional, el equipo aplicó también dos modelos de aprendizaje automático—una red neuronal optimizada por un algoritmo genético y una máquina de vectores de soporte—junto a un método llamado análisis de correlación gris, que compara qué tan cerca se aproxima cada corrida de ensayo a un patrón ideal. La correlación gris sugirió una buena combinación de parámetros, pero solo podía elegir entre las condiciones ya probadas. La máquina de vectores de soporte, en cambio, aprendió las relaciones subyacentes con suficiente detalle como para predecir nuevas combinaciones con alta precisión, superando a la red neuronal. De manera llamativa, sus condiciones óptimas recomendadas coincidieron casi exactamente con el modelo de superficie de respuesta: 55% de etanol, 2 horas de reflujo y una relación líquido–sólido de 12 mL/g.

Más medicamento a partir de las mismas hierbas

Cuando los científicos realizaron la extracción bajo estas condiciones optimizadas y midieron la química, los resultados fueron claros. Las cantidades de las 11 sustancias objetivo aumentaron en comparación con el proceso original a base de agua, y su total combinado se duplicó con creces. Herramientas estadísticas que comparan perfiles químicos globales (análisis de conglomerados y análisis de componentes principales) mostraron que los lotes optimizados formaron un clúster distinto y estrechamente agrupado, separado del proceso original y del esquema basado en correlación gris. En términos sencillos, el nuevo método extrae más de lo que importa y lo hace de forma consistente entre lotes.

Qué significa esto para futuros tratamientos herbales

Para el público en general, la conclusión es directa: al combinar un diseño experimental inteligente con aprendizaje automático moderno, los investigadores convirtieron un remedio tradicional para la sinusitis en un extracto más potente y fiable sin cambiar las hierbas mismas. Su proceso optimizado utiliza 55% de etanol, dos ciclos de extracción de dos horas cada uno y una relación líquida–sólida específica para captar niveles mucho más altos de componentes activos demostrados. Más allá de esta fórmula, el estudio ofrece una hoja de ruta para actualizar otros medicamentos herbales complejos, de modo que puedan fabricarse con la misma atención a la calidad y la reproducibilidad que se espera de los fármacos convencionales.

Cita: Chen, Q., Meng, P., Hu, X. et al. Optimization of the extraction process of Sanhuang Qingre Formula by integrating response surface methodology, grey correlation analysis, and machine learning. Sci Rep 16, 6767 (2026). https://doi.org/10.1038/s41598-026-37751-0

Palabras clave: medicina tradicional china, extracción de hierbas, aprendizaje automático, tratamiento de la sinusitis, optimización de procesos