使用遗传算法和机器学习技术从Azadirachta indica中提取化合物的批量提取的优化研究

科学领域:

• 自然产品化学 自然产品化学
• 植物化学 植物化学
• 生物技术是生物技术.

背景情况:

• 化合物是重要的二次代谢物,具有显著的生物活性和药用应用.
• 这些化合物广泛分布在植物物种中,包括Azadirachta indica.
• 有效的提取方法对于分离这些有价值的化合物至关重要.

研究的目的:

• 为了优化从阿扎迪拉赫塔印加叶中提取总化合物 (TPC) 的固体-液体批量提取.
• 调查关键工艺参数对TPC产量的影响.
• 应用机器学习技术来预测TPC和优化提取参数.

主要方法:

• 使用了Taguchi L16实验设计,其因素包括:提取时间,温度,颗粒大小和固体与溶剂比率.
• 采用机器学习算法,包括支持向量回归 (SVR) 和随机森林方法 (RFM),用于TPC预测.
• 应用基因算法 (GA) 来确定最大TPC产量的最佳提取条件.

主要成果:

• 颗粒大小被确定为最有影响力的因素,与TPC产量有反向关系.
• 提取温度,时间和固体与溶剂比率对TPC产量产生了直接影响.
• 优化参数预测最大TPC为23.039毫克GAE/g,使用0.15毫米的颗粒大小,40分钟的提取时间,1:25g/mL固体与溶剂的比率和55°C的温度.
• 与随机森林方法 (RFM) 相比,支持向量回归 (SVR) 在预测TPC产量方面表现出更高的准确性.

结论:

• 这项研究成功地优化了从阿扎迪拉赫塔印加叶中提取化合物的提取.
• 机器学习,特别是SVR和GA,在预测TPC和优化提取参数方面被证明是有效的.
• 这些发现为从药用植物中提取有价值的化合物的有效工业化提取提供了基础.