Optymalizacja procesu ekstrakcji formuły Sanhuang Qingre poprzez integrację metody powierzchni odpowiedzi, analizy korelacji szarej i uczenia maszynowego

Lepsze leki z prastarych ziół

Wiele osób polega na tradycyjnych środkach ziołowych, ale wciąż pojawia się jedno kluczowe pytanie: jak sprawić, by te wiekowe receptury były równie stabilne, skuteczne i przewidywalne jak nowoczesne leki? Niniejsze badanie odpowiada na to pytanie w przypadku formuły Sanhuang Qingre — tradycyjnej recepty stosowanej w przewlekłym i alergicznym zapaleniu zatok — wykorzystując zaawansowane narzędzia danych i uczenie maszynowe do dopracowania procesu ekstrakcji substancji czynnych.

Ziołowy środek z nowoczesnymi wyzwaniami

Formuła Sanhuang Qingre łączy kilka ziół, w tym koptis, tarczycę bajkalską (skullcap), astragalus, porię i inne, by zmniejszać stan zapalny, zwalczać drobnoustroje i wspierać naprawę tkanek u osób z długotrwałymi problemami zatokowymi. Od lat stosowana jest jako przygotowywany w szpitalu kroplowy preparat do nosa, ale forma płynna nie utrzymuje się długo w nosie i cechuje się niską stabilnością, co ogranicza jej szersze zastosowanie. Aby poprawić lek i ewentualnie opracować nowe postaci leku, badacze skupili się najpierw na kluczowym, lecz często pomijanym etapie: procesie ekstrakcji, który wyciąga substancje czynne z surowych ziół. Bardziej wydajna i kontrolowana ekstrakcja oznacza, że każda partia leku może dostarczać wiarygodną dawkę składników o działaniu terapeutycznym.

Pomiary wielu składników jednocześnie

W przeciwieństwie do prostych leków zawierających pojedynczą cząsteczkę czynną, ta formuła działa przez grupę związków współdziałających ze sobą. Zespół wybrał 11 kluczowych substancji znanych z działania przeciwbakteryjnego, przeciwwirusowego, przeciwutleniającego lub przeciwzapalnego, wraz z całkowitą wydajnością ekstrakcji. Zamiast oceniać powodzenie po jednym związku, skonstruowali pojedynczy „wynik kompleksowy”, łączący wszystkie 12 wskaźników. Aby zrobić to uczciwie, połączyli wiedzę ekspercką (które składniki mają największe znaczenie kliniczne) z obiektywną statystyką (które pomiary wykazują największą zmienność i niosą najwięcej informacji). Takie hybrydowe ważenie pozwoliło na ocenę każdego testu ekstrakcji w sposób zrównoważony i naukowo przejrzysty.

Badanie warunków przy użyciu inteligentnego projektu eksperymentu

Następnie badacze zbadali, jak trzy główne czynniki — stężenie etanolu, czas podgrzewania na refluksie oraz stosunek cieczy do surowca — wpływają na wynik kompleksowy. Zamiast zmieniać jeden czynnik na raz w sposób przypadkowy, zastosowali ustrukturyzowany eksperyment zwany planem Box–Behnken, który systematycznie wariuje wszystkie trzy czynniki i wychwytuje ich wzajemne interakcje. Modelowanie statystyczne (metoda powierzchni odpowiedzi) wykazało, że największy wpływ mają stężenie etanolu i czas ekstrakcji, podczas gdy stosunek cieczy do stałej odgrywał bardziej subtelną rolę. Z analizy przewidziano optymalne warunki: ekstrakcja przy 55% etanolu, przez 2 godziny na cykl, przy stosunku cieczy do surowca 12 mL na gram zioła.

Pozwolenie algorytmom na poszukiwanie optimum

Aby pójść dalej niż tradycyjna statystyka, zespół zastosował także dwa modele uczenia maszynowego — sieć neuronową zoptymalizowaną algorytmem genetycznym oraz maszynę wektorów nośnych — a obok nich metodę zwaną analizą korelacji szarej, która porównuje, jak blisko każdy przebieg testu zbliża się do wzorca idealnego. Analiza szara wskazała jedną dobrą kombinację parametrów, ale mogła wybierać tylko spośród warunków już przetestowanych. Maszyna wektorów nośnych natomiast nauczyła się relacji wystarczająco dobrze, by przewidywać nowe kombinacje z wysoką dokładnością, przewyższając sieć neuronową. Co zaskakujące, jej rekomendowane optymalne warunki niemal w pełni zgadzały się z modelem powierzchni odpowiedzi: 55% etanolu, 2 godziny refluksu i stosunek cieczy do surowca 12 mL/g.

Więcej leku z tych samych ziół

Gdy naukowcy faktycznie przeprowadzili ekstrakcję według tych zoptymalizowanych warunków i zmierzyli skład chemiczny, wyniki były jednoznaczne. Zawartości wszystkich 11 docelowych składników wzrosły w porównaniu z pierwotnym procesem wodnym, a ich łączna suma więcej niż się podwoiła. Narzędzia statystyczne porównujące ogólne profile chemiczne (analiza skupień i analiza głównych składowych) wykazały, że partie przygotowane według optymalnej metody tworzyły odrębną, ściśle zgrupowaną klasę, różną od partii otrzymanych oryginalnym procesem i od schematu opartego na korelacji szarej. Mówiąc prościej: nowa metoda wydobywa więcej istotnych składników i robi to konsekwentnie z partii na partię.

Co to oznacza dla przyszłych terapii ziołowych

Dla osób niemających specjalistycznej wiedzy wniosek jest prosty: łącząc inteligentne projektowanie eksperymentów z nowoczesnym uczeniem maszynowym, badacze przekształcili tradycyjny środek na zatoki w bardziej skoncentrowany i wiarygodny ekstrakt, nie zmieniając samych ziół. Ich zoptymalizowany proces wykorzystuje 55% etanolu, dwa cykle ekstrakcji po dwie godziny każdy oraz konkretny stosunek cieczy do surowca, aby uzyskać znacznie wyższe poziomy udokumentowanych składników aktywnych. Poza tą jedną formułą badanie stanowi plan działań dla unowocześniania innych złożonych leków ziołowych, tak aby można je było wytwarzać z takim samym naciskiem na jakość i powtarzalność, jak ma to miejsce w przypadku leków konwencjonalnych.

Cytowanie: 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

Słowa kluczowe: tradycyjna medycyna chińska, ekstrakcja ziołowa, uczenie maszynowe, leczenie zapalenia zatok, optymalizacja procesu