《Scientific Reports》:Artificial neural networks (ANN) and response surface methodology (RSM) for optimizing antioxidant and α-amylase inhibitory compound extraction from Ballota limbata
编辑推荐:
本研究针对药用植物Ballota limbata中生物活性成分的传统提取方法效率低、资源消耗大等问题,研究人员采用响应面法(RSM)与人工神经网络(ANN)对比优化了微波辅助提取(MA)与常规热辅助提取(HA)。结果表明,两种方法均可靠,HA提取物在总酚含量(TPC)、DPPH自由基清除活性(RSA)及α-淀粉酶抑制活性(AAI)方面表现更优,但MA在时间效率上更具优势,更符合绿色化学原则,ANN模型预测精度高于RSM。该研究为植物活性成分的快速、环保工业化提取提供了新见解。
在天然产物和药物开发领域,从药用植物中高效、环保地提取具有生物活性的化合物一直是研究的重点和难点。传统提取方法往往耗时耗能,且可能因高温长时间处理导致热敏性成分降解。与此同时,随着“绿色化学”理念的深入人心,开发快速、低能耗的可持续提取技术显得尤为重要。Ballota limbata(同义名Otostegia limbata)是一种具有多种民族药用价值的植物,但其活性成分的系统性提取与工艺优化研究尚不充分。为了回答如何更高效、环保地从该植物中获取具有抗氧化和抗糖尿病(通过抑制α-淀粉酶)潜力的化合物,并比较不同提取技术的优劣,研究人员开展了本项研究。
本论文发表在《Scientific Reports》上。研究者采用了两种提取策略:微波辅助提取(MA)和常规热辅助提取(HA),并利用响应面法(RSM)和人工神经网络(ANN)对两种工艺进行建模与优化。研究以总酚含量(TPC)、总黄酮含量(TFC)、DPPH自由基清除活性(RSA)和α-淀粉酶抑制活性(AAI)为关键响应指标,系统比较了两种方法的效率、产物活性及模型预测能力。
关键实验技术方法:本研究核心采用了微波辅助提取(MAE)和热辅助提取(HAE)两种提取技术。在工艺优化与建模方面,应用了基于3因素3水平Box-Behnken设计的响应面法(RSM)和人工神经网络(ANN)建模。活性评价则通过分光光度法测定了总酚含量(TPC)和总黄酮含量(TFC),并通过DPPH法评估抗氧化活性(RSA),以及通过体外酶抑制实验评估α-淀粉酶抑制活性(AAI)。
研究结果
提取工艺优化与比较:通过RSM和ANN优化,确定了MA的最佳条件为:功率220 W,时间20 s,料液比(SSR)40 mL/g。在此条件下,提取物的TPC、TFC、RSA和AAI分别为3.27 mg GAE/g DW、2.43 mg RE/g DW、2.16 mg AAE/g DW和60.99%。HA的最佳条件为:温度57 °C,时间150 min,SSR 40 mL/g,相应指标分别为3.85 mg GAE/g DW、2.40 mg RE/g DW、2.50 mg AAE/g DW和86.22%。统计模型表明两种方法均可靠,预测值与观测值差异小。
模型预测性能评估:对比RSM和ANN的预测能力发现,两者都表现良好,但ANN展现出更优的预测精度,具体表现为更高的决定系数(R2)、更低的均方根误差和平均绝对误差。
提取方法活性差异显著性分析:通过独立样本t检验比较两种提取物在α-淀粉酶抑制活性(AAI)上的差异,结果显示HA和MA提取物之间的AAI存在极显著差异(p < 0.001)。
研究结论与讨论
本研究系统比较并优化了从Ballota limbata中提取生物活性化合物的微波辅助提取(MA)和热辅助提取(HA)工艺。核心结论是,虽然热辅助提取(HA)在获得更高生物活性(尤其是更高的总酚含量、抗氧化活性和显著更强的α-淀粉酶抑制活性)方面更具优势,但微波辅助提取(MA)在时间效率上实现了数量级的提升(20秒 vs. 150分钟),这直接契合了绿色化学中减少能耗和时间的核心原则。因此,MA在追求快速、环保的工业化应用中潜力巨大。
在建模方法上,人工神经网络(ANN)相比响应面法(RSM)展现了更优越的预测准确性和模型拟合能力,为复杂植物提取工艺的模拟与优化提供了更强大的工具。该研究不仅为Ballota limbata这一特定药用植物的高值化利用提供了具体的工艺参数和比较数据,更重要的是,它通过整合先进的提取技术与优化模型,为更广泛的药用植物资源可持续开发提供了可借鉴的研究范式,推动了绿色提取技术在天然产物领域的应用。