Optimisation du processus d'extraction de la formule Sanhuang Qingre par intégration de la méthodologie de surface de réponse, de l'analyse de corrélation grise et de l'apprentissage automatique

De meilleurs remèdes à partir d'herbes anciennes

Beaucoup de personnes comptent sur les remèdes herbaux traditionnels, mais une question persiste : comment rendre ces formules ancestrales aussi stables, efficaces et régulières que les médicaments modernes ? Cette étude aborde cette question pour la formule Sanhuang Qingre, une prescription chinoise traditionnelle utilisée pour traiter la sinusite chronique et allergique, en employant des outils de données avancés et l'apprentissage automatique pour affiner l'extraction de ses ingrédients actifs.

Un remède à base de plantes confronté à des problèmes modernes

La formule Sanhuang Qingre associe plusieurs plantes, dont le coptis, la scutellaire, l'astragale, la poria et d'autres, pour réduire l'inflammation, combattre les microbes et soutenir la réparation des tissus chez les personnes souffrant de problèmes sinusaux persistants. Pendant des années, elle a été utilisée comme gouttes nasales préparées en hôpital, mais cette forme liquide ne reste pas longtemps dans le nez et manque de stabilité, ce qui limite son usage plus large. Pour améliorer le médicament et éventuellement développer de nouvelles formes galéniques, les chercheurs se sont d'abord concentrés sur une étape cruciale mais souvent négligée : le processus d'extraction qui extrait les substances actives des plantes brutes. Une extraction plus efficace et mieux contrôlée permet à chaque lot de délivrer une dose fiable de ses composants utiles.

Mesurer plusieurs ingrédients en même temps

Contrairement aux médicaments simples contenant une seule molécule active, cette formule agit via un ensemble de composés fonctionnant ensemble. L'équipe a sélectionné 11 substances clés connues pour leurs effets antibactériens, antiviraux, antioxydants ou anti-inflammatoires, ainsi que le rendement global d'extraction. Au lieu d'évaluer le succès sur un seul composé, ils ont créé un « score global » unique qui combine ces 12 indicateurs. Pour faire cela de manière équitable, ils ont associé l'expertise clinique (quels ingrédients sont les plus importants en pratique) à des statistiques objectives (quelles mesures varient le plus et apportent le plus d'information). Cette approche de pondération hybride leur a permis d'évaluer chaque essai d'extraction de façon équilibrée et scientifiquement transparente.

Tester les conditions avec une conception expérimentale intelligente

Les chercheurs ont ensuite étudié comment trois facteurs principaux — la concentration d'éthanol, le temps de chauffage en reflux et le rapport liquide/solide — affectaient le score global. Plutôt que de modifier un facteur à la fois au hasard, ils ont utilisé un plan d'expérience structuré appelé plan Box–Behnken, qui fait varier systématiquement les trois facteurs et capture leurs interactions. La modélisation statistique (méthodologie de surface de réponse) a révélé que la concentration d'éthanol et le temps d'extraction avaient la plus grande influence, le rapport liquide–solide jouant un rôle plus subtil. D'après cette analyse, les meilleures conditions prévues étaient une extraction avec 55 % d'éthanol, pendant 2 heures par cycle, avec un rapport liquide–solide de 12 mL par gramme de plante.

Laisser les algorithmes chercher la combinaison optimale

Pour aller au-delà des statistiques traditionnelles, l'équipe a également appliqué deux modèles d'apprentissage automatique — un réseau de neurones optimisé par un algorithme génétique et une machine à vecteurs de support — parallèlement à une méthode appelée analyse de corrélation grise, qui compare la proximité de chaque essai à un schéma idéal. La corrélation grise a suggéré une bonne combinaison de paramètres, mais elle ne pouvait choisir que parmi les conditions déjà testées. La machine à vecteurs de support, en revanche, a appris suffisamment les relations sous-jacentes pour prédire de nouvelles combinaisons avec une grande précision, surpassant le réseau de neurones. Fait remarquable, ses conditions optimales recommandées correspondaient presque exactement au modèle de surface de réponse : 55 % d'éthanol, 2 heures de reflux et un rapport liquide–solide de 12 mL/g.

Plus de médicament à partir des mêmes plantes

Lorsque les scientifiques ont effectivement réalisé l'extraction selon ces conditions optimisées et mesuré la composition chimique, les résultats ont été clairs. Les quantités des 11 ingrédients ciblés ont augmenté par rapport au procédé initial à base d'eau, et leur total combiné a plus que doublé. Des outils statistiques comparant les profils chimiques globaux (analyse de regroupement et analyse en composantes principales) ont montré que les lots optimisés formaient un groupe distinct et homogène, séparé du procédé original et du schéma basé sur la corrélation grise. En termes simples, la nouvelle méthode extrait plus de composants importants, et le fait de manière cohérente d'un lot à l'autre.

Ce que cela signifie pour les futurs traitements à base de plantes

Pour les non-spécialistes, la conclusion est simple : en associant une conception expérimentale intelligente à l'apprentissage automatique moderne, les chercheurs ont transformé un remède traditionnel pour la sinusite en un extrait plus puissant et plus fiable sans modifier les plantes elles‑mêmes. Leur procédé optimisé utilise 55 % d'éthanol, deux cycles d'extraction de deux heures chacun, et un rapport liquide‑solide spécifique pour capturer des niveaux bien plus élevés de composants actifs démontrés. Au-delà de cette formule, l'étude propose une feuille de route pour améliorer d'autres médicaments complexes à base de plantes afin qu'ils puissent être fabriqués avec la même exigence de qualité et de reproductibilité que les produits pharmaceutiques conventionnels.

Citation: 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

Mots-clés: médecine traditionnelle chinoise, extraction de plantes médicinales, apprentissage automatique, traitement de la sinusite, optimisation de procédé