环保提取多从Ampelopsis grossedentata的叶子与响应表面方法和人工神经网络-遗传算法相结合

科学领域:

• 自然产品化学 自然产品化学
• 绿色提取技术 绿色提取技术
• 植物化学 植物化学

背景情况:

• 阿姆佩洛普西斯大牙叶是生物活性多的丰富来源.
• 传统的提取方法往往缺乏效率和可持续性.
• 深度乙溶剂 (DES) 为天然产品提取提供了一个有前途的绿色替代品.

研究的目的:

• 使用DESs. 来优化从Ampelopsis grossedentata叶 (AGPL) 中提取多的过程.
• 为了比较响应表面方法 (RSM) 和基因算法-人工神经网络 (GA-ANN) 模型的预测准确度.
• 描述提取的多,并评估它们的抗氧化能力.

主要方法:

• 使用响应表面方法 (RSM) 和遗传算法-人工神经网络 (GA-ANN) 优化DES辅助提取.
• 在超声波激发下选择L-carnitine-1,4-butanediol作为最佳的DES系统.
• 使用高性能液体染色学-质谱法 (HPLC-MS) 识别和定量化合物.
• 使用氧基吸收能力 (ORAC) 试验评估抗氧化能力.

主要成果:

• 确定了最佳的提取条件:液体/固体比为35.5mL/g,超声波功率为697W,提取时间为46分钟.
• 在最佳条件下,取得了15.32%±0.12%的AGPL收益率.
• 与RSM (R2 = 0.9145) 相比,GA-ANN模型显示出更高的预测准确性 (R2 = 0.9809).
• 确定了20种化合物,包括非阿德卡诺酸和新基酸.
• 提取的AGPL表现出显著的抗氧化能力 (275.3±0.64μmol TE/g).

结论:

• 优化的DES辅助提取过程有效地最大限度地提高了AGPL的多产量.
• 与RSM相比,GA-ANN模型可以更准确地预测多产量.
• 提取的多具有显著的抗氧化特性,突出了它们在各种应用中的潜力.