Optimering av extraktionsprocessen för Sanhuang Qingre-formeln genom att integrera responsytemetodik, grå korrelationsanalys och maskininlärning

Bättre medicin från gamla örter

Många förlitar sig på traditionella växtbaserade läkemedel, men en återkommande fråga kvarstår: hur kan vi göra dessa urgamla formler lika stabila, effektiva och konsekventa som moderna läkemedel? Denna studie tar sig an den frågan för Sanhuang Qingre-formeln, ett traditionellt kinesiskt recept som används för att behandla kronisk och allergisk bihåleinflammation, genom att använda avancerade dataverktyg och maskininlärning för att finslipa hur dess aktiva ingredienser extraheras.

En örtberedning med moderna utmaningar

Sanhuang Qingre-formeln kombinerar flera örter, inklusive coptis, sköldpaddsrot (skullcap), astragalus, poria och andra, för att minska inflammation, bekämpa mikrober och stödja vävnadsreparation hos personer med långvariga bihåleproblem. I åratal har den använts som sjukhustillverkade näsdroppar, men denna vätskeform stannar inte länge i näsan och är inte särskilt stabil, vilket begränsar dess bredare användning. För att förbättra läkemedlet och möjligtvis utveckla nya dosformer fokuserade forskarna först på ett avgörande men ofta förbisett steg: extraktionsprocessen som utvinner aktiva substanser ur de råa örterna. En mer effektiv och välkontrollerad extraktion innebär att varje parti läkemedel kan leverera en pålitlig dos av sina verksamma komponenter.

Att mäta många ingredienser samtidigt

Till skillnad från enkla läkemedel som innehåller ett enda aktivt molekylämne verkar denna formula genom en hel grupp föreningar som samverkar. Teamet valde ut 11 nyckelsubstanser kända för antibakteriella, antivirala, antioxidativa eller antiinflammatoriska effekter, tillsammans med den totala extraktionsavkastningen. Istället för att bedöma framgång utifrån bara en förening skapade de en enda "komponentpoäng" som blandar alla 12 indikatorer. För att göra detta rättvist kombinerade de expertkunskap (vilka ingredienser som kliniskt är viktigast) med objektiv statistik (vilka mätningar som varierar mest och bär mest information). Denna hybridviktning gjorde det möjligt att utvärdera varje extraktionstest på ett balanserat och vetenskapligt transparent sätt.

Testa förhållanden med smart experimentdesign

Forskarna undersökte sedan hur tre huvudfaktorer — ethanolstyrka, upphettningstid under återflöde och förhållandet vätska–ört — påverkade den sammansatta poängen. Istället för att ändra en faktor åt gången slumpmässigt använde de ett strukturerat experiment kallat Box–Behnken-design, som systematiskt varierar alla tre och fångar interaktioner mellan dem. Statistisk modellering (responsytemetodik) visade att etanolkoncentration och extraktionstid hade störst påverkan, medan vätske–faststofförhållandet hade en mer subtil roll. Från denna analys förutsågs de bästa förhållandena vara extraktion med 55 % etanol, i 2 timmar per cykel, vid ett vätske–faststofförhållande på 12 mL per gram ört.

Låta algoritmerna leta upp den optimala punkten

För att gå bortom traditionell statistik tillämpade teamet också två maskininlärningsmodeller — ett neuralt nätverk förfinat med en genetisk algoritm och en supportvektormaskin — tillsammans med en metod kallad grå korrelationsanalys, som jämför hur nära varje testkörning närmar sig ett idealmönster. Grå korrelation föreslog en bra parameterkombination, men kunde bara välja bland de villkor som redan testats. Supportvektormaskinen, däremot, lärde sig de underliggande relationerna så väl att den kunde förutsäga nya kombinationer med hög noggrannhet och överträffade det neurala nätverket. Slående nog matchade dess rekommenderade optimala förhållanden responsytmodellen nästan exakt: 55 % etanol, 2 timmars återflöde och ett vätske–faststofförhållande på 12 mL/g.

Mer medicin från samma örter

När forskarna faktiskt genomförde extraktionen under dessa optimerade förhållanden och mätte kemin var resultaten tydliga. Mängderna av samtliga 11 målingredienser ökade jämfört med den ursprungliga vattenbaserade processen, och deras sammanlagda total mer än fördubblades. Statistiska verktyg som jämför övergripande kemiska profiler (klusteranalys och huvudkomponentanalys) visade att de optimerade partierna bildade ett distinkt, tätt kluster, skilt från den ursprungliga processen och från det grå-korrelationsbaserade schemat. Enkelt uttryckt drar den nya metoden ut mer av det som är viktigt, och gör det konsekvent från parti till parti.

Vad detta betyder för framtida örtbehandlingar

För icke-specialister är slutsatsen enkel: genom att förena smart experimentdesign med modern maskininlärning förvandlade forskarna en traditionell sinusberedning till ett mer potent och pålitligt extrakt utan att förändra örterna själva. Deras optimerade process använder 55 % etanol, två extraktionscykler om två timmar vardera, och ett specifikt vätske–till–faststofförhållande för att fånga betydligt högre nivåer av bevisade aktiva komponenter. Utöver denna enda formula erbjuder studien en mall för att uppgradera andra komplexa växtbaserade läkemedel så att de kan tillverkas med samma fokus på kvalitet och reproducerbarhet som förväntas av konventionella läkemedel.

Citering: 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

Nyckelord: traditionell kinesisk medicin, växtextraktion, maskininlärning, behandling av bihåleinflammation, processoptimering