Оптимизация процесса экстракции формулы Санхуан Цинжэ с интеграцией метода отклика поверхности, анализа серой корреляции и машинного обучения

Лучшее лекарство из древних трав

Многие люди полагаются на традиционные растительные средства, но один насущный вопрос остаётся: как сделать эти древние рецептуры такими же стабильными, эффективными и воспроизводимыми, как современные лекарства? В этом исследовании рассматривается именно этот вопрос для формулы Санхуан Цинжэ — традиционного китайского рецепта для лечения хронического и аллергического синусита — путём использования современных инструментов анализа данных и машинного обучения для тонкой настройки процесса извлечения её лекарственных компонентов.

Растительное средство с современными проблемами

Формула Санхуан Цинжэ сочетает несколько трав, включая хельбоин (копротис), скаскоп (скаллоп), астрагал, порию и другие, чтобы уменьшать воспаление, бороться с микроорганизмами и поддерживать восстановление тканей у людей с длительными проблемами пазух. В течение многих лет её использовали как готовый в больнице назальный раствор, но эта жидкая форма плохо держится в носу и обладает недостаточной стабильностью, что ограничивает её более широкое применение. Чтобы улучшить лекарство и, возможно, разработать новые лекарственные формы, исследователи сосредоточились сначала на важном, но часто упускаемом этапе: процессе экстракции, который извлекает активные вещества из сырья. Более эффективная и управляемая экстракция обеспечивает стабильную дозировку полезных компонентов в каждой партии препарата.

Измерение многих компонентов одновременно

В отличие от простых лекарств с одной активной молекулой, эта формула действует за счёт целого набора соединений, взаимодействующих друг с другом. Команда выбрала 11 ключевых веществ, известных своими антибактериальными, противовирусными, антиоксидантными или противовоспалительными свойствами, а также общую выходность экстракта. Вместо того чтобы оценивать успех по одному компоненту, они создали единый «комплексный балл», объединяющий все 12 индикаторов. Чтобы сделать это справедливо, они соединили экспертные знания (какие ингредиенты имеют наибольшее клиническое значение) с объективной статистикой (какие измерения наиболее изменчивы и несут больше информации). Такой гибридный подход к взвешиванию позволил оценивать каждое испытание экстракции сбалансированно и научно прозрачно.

Испытание условий с умным планированием эксперимента

Затем исследователи изучили, как три основных фактора — концентрация этанола, время нагрева с обратным холодильником и соотношение жидкость–сырьё — влияют на комплексный балл. Вместо того чтобы слепо менять по одному фактору, они применили структурированный план эксперимента Box–Behnken, который систематически варьирует все три фактора и фиксирует их взаимодействия. Статистическое моделирование (метод отклика поверхности) показало, что концентрация этанола и время экстракции оказывают наибольшее влияние, тогда как соотношение жидкость–твердое играет более тонкую роль. По результатам анализа были предсказаны оптимальные условия: экстракция 55% этанолом, 2 часа за цикл и соотношение жидкости к сырью 12 мл на грамм травы.

Позволяя алгоритмам искать оптимум

Чтобы выйти за рамки традиционной статистики, команда также применила две модели машинного обучения — нейронную сеть, оптимизированную генетическим алгоритмом, и опорные векторные машины — параллельно с методом серой корреляции, который сравнивает, насколько близко каждый прогон приближается к идеальному паттерну. Анализ серой корреляции предложил одну удачную комбинацию параметров, но мог выбирать только среди уже испытанных условий. Опорная векторная машина, напротив, выучила скрытые зависимости достаточно хорошо, чтобы с высокой точностью предсказывать новые сочетания, превзойдя нейронную сеть. Примечательно, что её рекомендованные оптимальные условия почти точно совпали с результатами метода отклика поверхности: 55% этанол, 2 часа рефлюкса и соотношение 12 мл/г.

Больше лекарства из тех же трав

Когда учёные провели экстракцию в этих оптимизированных условиях и измерили состав, результаты были очевидны. Количества всех 11 целевых веществ увеличились по сравнению с исходным водным процессом, а их суммарный показатель более чем удвоился. Статистические методы сравнения общих химических профилей (кластерный анализ и анализ главных компонент) показали, что оптимизированные партии образуют отдельный, тесно сгруппированный кластер, отличающийся от исходного процесса и схемы, основанной на серой корреляции. Проще говоря, новый метод извлекает больше именно тех компонентов, которые имеют значение, и делает это последовательно от партии к партии.

Что это значит для будущих растительных препаратов

Для неспециалистов вывод прост: сочетая продуманное планирование эксперимента с современным машинным обучением, исследователи превратили традиционное средство от синусита в более мощный и надёжный экстракт, не меняя сами травы. Их оптимизированный процесс использует 55% этанол, два цикла экстракции по два часа каждый и конкретное соотношение жидкость–сырьё, чтобы захватить значительно более высокие уровни доказанных активных компонентов. Помимо этой одной формулы, исследование предлагает шаблон для модернизации других сложных растительных лекарств, чтобы их можно было производить с тем же вниманием к качеству и воспроизводимости, которое ожидается от традиционных фармацевтических препаратов.

Цитирование: 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

Ключевые слова: традиционная китайская медицина, экстракция растений, машинное обучение, лечение синусита, оптимизация процесса