Искусственный интеллект против традиционных подходов в многокомпонентном спектральном анализе

Почему это важно для повседневных лекарств

Многие кремы для кожи содержат несколько лекарственных веществ, смешанных вместе для одновременной борьбы с инфекцией и воспалением. Проверка того, что каждый ингредиент присутствует в правильной дозировке, жизненно важна для безопасности, однако их химические «отпечатки» часто перекрываются, что затрудняет их разделение. В этом исследовании показано, как бесплатные и широко доступные инструменты искусственного интеллекта (ИИ) могут работать в паре с традиционными лабораторными приборами, чтобы быстрее, дешевле и более устойчиво — особенно в лабораториях, где нет дорогого программного обеспечения и оборудования — распутывать такие сигналы.

Распутывание загруженной «химической картины»

Исследователи сосредоточились на распространённом рецептурном креме, который сочетает четыре активных вещества — противогрибальное средство, противовоспалительный стероид и два антибиотика — плюс консервант. При анализе этой смеси стандартным ультрафиолет–видимым (UV–Vis) спектрофотометром получающиеся кривые перекрываются настолько сильно, что сложно измерить каждый ингредиент отдельно. Ранее эта группа уже разобралась с двумя компонентами. Здесь они взялись за самый сложный оставшийся трио, сформировавшее сильно перекрывающийся трёхкомпонентный сигнал, который типичен для многих сложных фармацевтических смесей.

Старые инструменты против «умных» помощников

Традиционно химики полагаются на проприетарное программное обеспечение приборов, чтобы шаг за шагом убирать эти перекрытия — выбирая длины волн, преобразуя спектры и строя калибровочные графики по одной операции за раз. Это медленно, результаты могут зависеть от оператора и обычно требуют лицензированных программ. В этом исследовании команда сравнила классический путь с маршрутом, поддерживаемым ИИ, который использует свободно доступные инструменты, такие как ChatGPT и Microsoft Copilot. Исходные спектральные данные экспортируются в простые таблицы, а химик задаёт ИИ структурированные подсказки для выполнения тех же математических приёмов: деления спектров, взятия производных, поиска чистых областей с минимальными помехами и построения регрессионных уравнений, связывающих размер сигнала с концентрацией.

Новые способы увидеть через шум

Чтобы сделать более ясным обзор трёх перекрывающихся веществ, авторы усовершенствовали математическую технику в двух вариантах: тщательно настроенной ручной версии и версии с поддержкой ИИ. Обе опираются на хитроумные комбинации спектров, которые эффективно устраняют нежелательные части, оставляя более чистый сигнал для каждого ингредиента. Полностью ручной метод вводит «факторизованный» спектр, повышающий чувствительность в наиболее информативных пиках. Автоматизированный метод просит ИИ выполнить те же шаги и даже предложить, какие длины волн дают наиболее надёжную линейную зависимость между сигналом и количеством вещества. После некоторого взаимодействия, включая обучение ИИ с помощью скриншотов традиционного рабочего процесса, автоматизированный подход дал практически те же числовые результаты, что и проверенное программное обеспечение — по точности, прецизионности и пределам обнаружения, при значительном сокращении времени ручной работы.

Проверка надёжности и воздействия на окружающую среду

Чтобы убедиться, что эти упрощения не ухудшают качество, исследователи строго валидировали как ручной, так и поддерживаемый ИИ методы в соответствии с международными руководствами. Они подтвердили, что показания линейны в необходимых диапазонах концентраций, что повторные измерения воспроизводимы, и что новые процедуры статистически согласуются с официальными фармакопейными методами и ранее опубликованными техниками. Кроме производительности, они также оценили устойчивость, используя современную систему оценки «белой аналитической химии», которая объединяет воздействие на окружающую среду, практичность и инновации в единый «Whiteness Score». С помощью Copilot для ускорения заполнения 51-пунктного контрольного списка они получили примерно 61% — что подчёркивает хорошую практичность, но указывает на подготовку образца как главный экологический ресурсозатратный этап и ключевую область для будущих улучшений.

Что это значит в перспективе

Проще говоря, эта работа показывает, что бесплатные ИИ‑ассистенты могут помочь обычным UV–Vis приборам справляться со сложными лекарственными смесями с той тонкостью, которая обычно ассоциируется с более дорогими методами. Под наблюдением опытного химика ИИ может быстро просеивать плотные спектральные данные, выделять более чистые сигналы и генерировать надёжные численные результаты, одновременно документируя и оценивая экологический след метода. Для пациентов это поддерживает точный контроль качества многокомпонентных кремов. Для лабораторий, особенно в условиях ограниченных ресурсов, это предлагает путь к более быстрым, более экологичным и более доступным испытаниям без ущерба для научной строгости.

Цитирование: Fahmy, N.M., Obaydo, R.H. & Lotfy, H.M. Artificial intelligence versus traditional approaches in multicomponent spectral analysis. Sci Rep 16, 7835 (2026). https://doi.org/10.1038/s41598-026-39433-3

Ключевые слова: спектрофотометрия, фармацевтический анализ, искусственный интеллект, многокомпонентные смеси, зелёная аналитическая химия