Otimização do processo de extração da Fórmula Sanhuang Qingre integrando metodologia de superfície de resposta, análise de correlação cinza e aprendizado de máquina

Melhor Medicina a partir de Ervas Antigas

Muitas pessoas confiam em remédios herbais tradicionais, mas uma pergunta persistente permanece: como tornar essas fórmulas ancestrais tão estáveis, eficazes e consistentes quanto medicamentos modernos? Este estudo aborda essa questão para a Fórmula Sanhuang Qingre, uma prescrição chinesa tradicional usada no tratamento da sinusite crônica e alérgica, empregando ferramentas avançadas de dados e aprendizado de máquina para ajustar como seus ingredientes medicinais são extraídos.

Um Remédio Herbal com Problemas Modernos

A Fórmula Sanhuang Qingre combina várias ervas, incluindo coptis, scullcap, astragalus, poria e outras, para reduzir inflamação, combater microrganismos e apoiar a reparação tecidual em pessoas com problemas sinusais persistentes. Há anos ela é usada como colírio nasal manipulado em hospitais, mas essa forma líquida não permanece muito tempo no nariz e não é muito estável, o que limita seu uso mais amplo. Para melhorar o medicamento e possivelmente desenvolver novas formas farmacêuticas, os pesquisadores primeiro se concentraram em uma etapa crucial, porém frequentemente negligenciada: o processo de extração que remove as substâncias ativas das ervas in natura. Uma extração mais eficiente e bem controlada significa que cada lote do medicamento pode entregar uma dose confiável de seus componentes úteis.

Medindo Muitos Ingredientes ao Mesmo Tempo

Diferentemente de medicamentos simples que contêm uma única molécula ativa, essa fórmula atua por meio de um conjunto de compostos que agem em conjunto. A equipe selecionou 11 substâncias-chave conhecidas por terem efeitos antibacterianos, antivirais, antioxidantes ou anti-inflamatórios, além do rendimento global da extração. Em vez de julgar o sucesso por apenas um composto, eles criaram uma única “pontuação abrangente” que combina todos os 12 indicadores. Para fazer isso de forma justa, combinaram conhecimento de especialistas (quais ingredientes importam clinicamente) com estatísticas objetivas (quais medições variam mais e carregam mais informação). Essa abordagem de ponderação híbrida permitiu avaliar cada ensaio de extração de maneira equilibrada e cientificamente transparente.

Testando Condições com Desenho Experimental Inteligente

Os pesquisadores exploraram então como três fatores principais—teor de etanol, tempo de aquecimento sob refluxo e a razão líquido:erva—afetaram a pontuação abrangente. Em vez de mudar um fator por vez às cegas, usaram um experimento estruturado chamado planejamento Box–Behnken, que varia sistematicamente os três e captura interações entre eles. Modelagem estatística (metodologia de superfície de resposta) revelou que a concentração de etanol e o tempo de extração tiveram a maior influência, com a razão líquido-sólido exercendo um papel mais sutil. A partir dessa análise, as melhores condições previstas foram extração com 55% de etanol, por 2 horas por ciclo, com razão líquido-sólido de 12 mL por grama de erva.

Deixando os Algoritmos Caçarem o Ponto Ideal

Para ir além da estatística tradicional, a equipe também aplicou dois modelos de aprendizado de máquina—uma rede neural refinada por um algoritmo genético e uma máquina de vetores de suporte—além de um método chamado análise de correlação cinza, que compara quão próximo cada execução de teste chega a um padrão ideal. A correlação cinza sugeriu uma boa combinação de parâmetros, mas só pôde escolher entre as condições já testadas. A máquina de vetores de suporte, em contraste, aprendeu as relações subjacentes bem o suficiente para prever novas combinações com alta precisão, superando a rede neural. Notavelmente, suas condições ótimas recomendadas coincidiram quase exatamente com o modelo de superfície de resposta: 55% de etanol, 2 horas de refluxo e razão líquido-sólido de 12 mL/g.

Mais Medicina a Partir das Mesmas Ervas

Quando os cientistas realmente realizaram a extração sob essas condições otimizadas e mediram a química, os resultados foram claros. As quantidades de todas as 11 substâncias-alvo aumentaram em comparação com o processo original à base de água, e seu total combinado mais que dobrou. Ferramentas estatísticas que comparam perfis químicos globais (análise de cluster e análise de componentes principais) mostraram que os lotes otimizados formaram um agrupamento distinto e homogêneo, separado do processo original e do esquema baseado em correlação cinza. Em termos simples, o novo método extrai mais do que importa, e o faz de forma consistente entre lotes.

O Que Isso Significa para Tratamentos Herbais Futuros

Para não especialistas, a conclusão é direta: ao combinar um desenho experimental inteligente com aprendizado de máquina moderno, os pesquisadores transformaram um remédio tradicional para sinusite em um extrato mais potente e confiável sem alterar as próprias ervas. Seu processo otimizado usa 55% de etanol, dois ciclos de extração de duas horas cada, e uma razão líquida-para-sólido específica para capturar níveis muito mais altos de componentes ativos comprovados. Além desta fórmula, o estudo oferece um roteiro para atualizar outros medicamentos herbais complexos, para que possam ser fabricados com a mesma atenção à qualidade e reprodutibilidade exigida dos medicamentos convencionais.

Citação: 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

Palavras-chave: medicina tradicional chinesa, extração de fitoterápicos, aprendizado de máquina, tratamento de sinusite, otimização de processo