Yanıt yüzeyi metodolojisi, gri korelasyon analizi ve makine öğrenimini bütünleştirerek Sanhuang Qingre Formülünün ekstraksiyon sürecinin optimizasyonu

Antik Bitkilerden Daha İyi İlaç

Birçok insan geleneksel bitkisel çarelere güveniyor, ancak devam eden bir soru var: bu kadim formülleri modern ilaçlar kadar stabil, etkili ve tutarlı nasıl yapabiliriz? Bu çalışma, kronik ve alerjik sinüzit tedavisinde kullanılan geleneksel Çin reçetesi Sanhuang Qingre Formülü için bu soruyu ele alıyor; tedavinin içeriklerinin nasıl çıkarılacağını iyileştirmek için gelişmiş veri araçları ve makine öğrenimi kullanıyor.

Modern Sorunlara Sahip Bitkisel Bir İlaç

Sanhuang Qingre Formülü, uzun süreli sinüs problemleri olan kişilerde iltihabı azaltmak, mikrobiyal etkinlikle savaşmak ve doku onarımını desteklemek için coptis, skullcap, astragalus, poria ve diğerlerini içeren birkaç bitkiyi birleştirir. Yıllardır hastane yapımı nazal damla olarak kullanıldı, ancak bu sıvı form burunda uzun süre kalmıyor ve çok da stabil değil, bu da daha geniş kullanımını sınırlıyor. İlacı iyileştirmek ve muhtemelen yeni dozaj formları geliştirmek için araştırmacılar önce genellikle göz ardı edilen ama kritik bir adıma odaklandı: ham bitkilerden aktif maddeleri çeken ekstraksiyon süreci. Daha verimli ve iyi kontrol edilen bir ekstraksiyon, her parti ilacın faydalı bileşenlerinden güvenilir bir doz sağlayabileceği anlamına gelir.

Aynı Anda Birçok Bileşeni Ölçmek

Tek bir aktif molekül içeren basit ilaçların tersine, bu formül bir arada çalışan bileşikler grubuyla etki gösterir. Ekip, antibakteriyel, antiviral, antioksidan veya anti-inflamatuar etkilere sahip olduğu bilinen 11 ana maddeyi ve genel ekstraksiyon verimini seçti. Başarıyı sadece tek bir bileşiğe göre değerlendirmek yerine, tüm 12 göstergeleri harmanlayan tek bir “kapsamlı skor” oluşturdular. Bunu adil yapmak için klinik olarak hangi bileşenlerin daha önemli olduğuna dair uzman bilgisi ile hangi ölçümlerin daha fazla değişkenlik gösterdiği ve daha fazla bilgi taşıdığına dair objektif istatistikleri birleştirdiler. Bu hibrit ağırlıklandırma yaklaşımı, her ekstraksiyon testini dengeli ve bilimsel olarak şeffaf bir şekilde değerlendirmelerini sağladı.

Akıllı Deney Tasarımıyla Koşulları Test Etmek

Araştırmacılar daha sonra üç ana faktörün—etanol konsantrasyonu, refluks altında ısıtma süresi ve sıvı–bitki oranı—kapsamlı skoru nasıl etkilediğini incelediler. Her faktörü tek tek körü körüne değiştirmek yerine, hepsini sistematik olarak değiştirip aralarındaki etkileşimleri yakalayan Box–Behnken adlı yapılandırılmış bir deney kullandılar. İstatistiksel modelleme (yanıt yüzeyi metodolojisi), etanol konsantrasyonu ve ekstraksiyon süresinin en büyük etkiye sahip olduğunu, sıvı–katı oranının ise daha ince bir rol oynadığını ortaya koydu. Bu analize göre en iyi koşulların %55 etanol ile, döngü başına 2 saat, bitkiye 12 mL sıvı oranı olarak tahmin edildi.

Algoritmaların En İyi Noktayı Aramasına İzin Vermek

Geleneksel istatistiklerin ötesine geçmek için ekip ayrıca genetik algoritma ile iyileştirilmiş bir sinir ağı ve bir destek vektör makinesi olmak üzere iki makine öğrenimi modeli ile ideal desene ne kadar yakın olunduğunu karşılaştıran gri korelasyon analizini uyguladı. Gri korelasyon iyi bir parametre kombinasyonu önerdi, ancak yalnızca önceden test edilmiş koşullar arasından seçim yapabiliyordu. Buna karşılık, destek vektör makinesi altta yatan ilişkileri o kadar iyi öğrendi ki yeni kombinasyonları yüksek doğrulukla tahmin edebildi ve sinir ağına göre daha iyi performans gösterdi. Çarpıcı biçimde, onun önerdiği optimal koşullar yanıt yüzeyi modeli ile neredeyse tamamen örtüştü: %55 etanol, 2 saat refluks ve 12 mL/g sıvı–katı oranı.

Aynı Bitkilerden Daha Fazla İlaç

Bilim insanları bu optimize edilmiş koşullar altında ekstraksiyonu gerçekten yürüttüklerinde ve kimyayı ölçtüklerinde sonuçlar açıktı. 11 hedef bileşenin tümünün miktarları orijinal su bazlı süreçle karşılaştırıldığında arttı ve bunların birleşik toplamı iki katından fazla oldu. Genel kimyasal profilleri karşılaştıran istatistiksel araçlar (kümeleme analizi ve temel bileşen analizi), optimize edilen partilerin sıkı bir şekilde gruplanmış, orijinal süreçten ve gri-korelasyon bazlı şemadan ayrı, belirgin bir küme oluşturduğunu gösterdi. Basitçe söylemek gerekirse, yeni yöntem önemli olanları daha fazla çekiyor ve bunu parti parti tutarlı bir şekilde yapıyor.

Gelecekteki Bitkisel Tedaviler İçin Anlamı

Uzman olmayanlar için çıkarım açık: akıllı deney tasarımını modern makine öğrenimi ile eşleştirerek, araştırmacılar geleneksel bir sinüs ilacını bitkileri değiştirmeden daha etkili ve güvenilir bir ekstakte dönüştürdüler. Optimize edilmiş süreç %55 etanol, iki döngü halinde her biri iki saatlik ekstraksiyonlar ve belirli bir sıvı–katı oranı kullanarak kanıtlanmış aktif bileşenlerin çok daha yüksek düzeylerini yakalıyor. Bu tek formülün ötesinde, çalışma diğer karmaşık bitkisel ilaçları da geleneksel farmasötik ürünlerden beklenen kalite ve tekrarlanabilirlik dikkatiyle üretmek için bir yol haritası sunuyor.

Atıf: 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

Anahtar kelimeler: geleneksel Çin tıbbı, bitkisel ekstraksiyon, makine öğrenimi, sinüzit tedavisi, süreç optimizasyonu