人工神经网络（ANN）与响应面法（RSM）在从Ballota limbata中优化抗氧化剂与α-淀粉酶抑制物提取的应用

为何这株植物与本研究重要

许多人寻求植物作为更温和的健康支持手段，尤其针对与血糖调控和体内不稳定分子引发的长期损伤有关的问题。本研究聚焦于传统药用植物Ballota limbata，提出一个务实的问题：如何以快速、高效且环境友好的方式从叶片中提取其有益成分？

从民间疗法到实验室研究

Ballota limbata在民间长期用于眼病、感染、伤口和镇静等用途。现代分析表明其叶片富含被称为酚类和类黄酮的植物化学物质，这些物质能够中和有害的活性分子，并可能减缓肠道中淀粉向葡萄糖的分解。这两种作用都与氧化应激及餐后血糖上升的速度有关，是糖尿病等疾病的关键问题。挑战在于植物不同成分对热、时间和溶剂的反应不同，因此找到提取这些脆弱化合物的合适方法并不简单。

两种制备浓缩植物提取物的途径

研究者比较了从干燥Ballota limbata叶片制备提取物的两种常用方法，均使用水-酒精混合溶剂。在热辅助提取中，叶粉在摇床中的温热溶液中浸渍可达两个半小时。在微波辅助提取中，同样的混合物通过微波能量从内向外快速加热，数秒内即可完成而非数小时。研究团队先采用单因素变化——例如温度、提取时间或每克叶片的溶剂量——来缩小每种方法的有希望范围，然后使用设计实验来观察多种因素共同作用下对白抗氧化量和抑制促淀粉分解酶活性的影响。

让智能模型寻找最佳组合

运行数十个略有差异的提取试验既耗时又浪费，因此团队依靠数学工具来引导实验。一种是响应面法，它通过数据拟合出一条曲面来预测哪种温度、时间与溶剂比的组合能给出最佳结果。另一种是人工神经网络，这是一种受大脑神经结构启发的计算模型，能直接从数据中学习模式而不预设简单的函数形式。两种工具都以相同的实验结果为训练集，然后用于预测新条件下的表现。在几乎所有情况下，神经网络的拟合更接近实测值，预测误差更小且预测与测量之间的一致性更好。

提取有用植物化合物时的速度与产量权衡

当把提取条件调到模型预测的最优值时，两种方法都能得到具有强抗氧化能力且能明显延缓分解淀粉的α-淀粉酶活性的Ballota limbata叶片提取物。传统加热在温和的57 °C下保持150分钟后，可获得略高的总酚含量、更强的自由基清除活性以及更显著的酶抑制效果。微波则在220 W下仅需20秒即可产出相似的类黄酮含量和可观的抗氧化活性。在两种情况下，相对较高的每克叶片溶剂用量对提取活性成分至关重要，而过高的温度或过长的处理时间往往会损伤这些成分。

对未来食品与疗法的意义

对非专业读者而言，关键信息是Ballota limbata叶片是天然分子的有前景来源，这些分子既能清除有害的活性物种，又能缓和餐后血糖峰值，并且现在已有清晰的方案能高效地从植物中提取它们。温和的液相加热可获得最高的活性水平，而微波处理则提供了更快速、更节能但仍能产出高效提取物的路径。通过表明智能计算模型可以可靠地微调这些条件，该研究为将这一传统草本转化为用于功能性食品、补充剂及其他以植物为基础、用于管理氧化应激和支持代谢健康的标准化提取物奠定了基础。

引用: Namra, Iftikhar, H., Aydar, A.Y. et al. Artificial neural networks (ANN) and response surface methodology (RSM) for optimizing antioxidant and α-amylase inhibitory compound extraction from Ballota limbata. Sci Rep 16, 15703 (2026). https://doi.org/10.1038/s41598-026-37738-x

关键词: Ballota limbata, 抗氧化剂提取, 微波辅助提取, α-淀粉酶抑制, 绿色化学