DOI: https://doi.org/10.1038/s41598-026-39433-3
PMID: https://pubmed.ncbi.nlm.nih.gov/41765924
تاريخ النشر: 2026-03-01
المؤلف: Nesma M. Fahmy وآخرون
الموضوع الرئيسي: الطيفية والتحليلات الكيميائية
نظرة عامة
تستكشف هذه الدراسة تطبيق معالجة البيانات المدعومة بالذكاء الاصطناعي في تطوير طرق الطيف الضوئي، مقدمة بديل مرن للخوارزميات اليدوية التقليدية. يركز البحث على تحليل كريم كوادريدرم، الذي يحتوي على كلويكوينول (CLIO)، بيتاميثازون (BETA)، تولنافتات (TOL)، جنتاميسين (GEN)، وكلوروكريسول (CC). يبني البحث على الأعمال السابقة مع الخلطات الصيدلانية المعقدة، مع التركيز بشكل خاص على التحديات التحليلية التي تطرحها النظام الفرعي الثلاثي من TOL وBETA وCC. من خلال دمج معالجة الطيف المعززة بالذكاء الاصطناعي، تهدف الدراسة إلى تقليل تباين المشغلين وتبسيط سير العمل، بما في ذلك توليد الرسوم البيانية للمعايرة ومعادلات الانحدار. تؤكد مقاييس التحقق مثل الدقة والموثوقية على موثوقية النهج المدعوم بالذكاء الاصطناعي، الذي يظهر أداءً مماثلاً للطرق التقليدية مع تقليل التعامل الذاتي.
تكشف النتائج أن الإطار المدعوم بالذكاء الاصطناعي، الذي يستخدم أدوات مثل ChatGPT وSpectra Manager®، يسمح بالتحليل المتزامن الفعال للخلطات المخبرية والتركيبات الصيدلانية. ومن الجدير بالذكر أن طريقة النسبة المشتقة ذات القاسم المزدوج الآلي (AUTO-[DD-DD]) تفوقت على النهج اليدوي (MAN-[DD-DD]) في حل الطيف فوق البنفسجي المتداخل. كما تؤكد الدراسة على الجوانب الصديقة للبيئة لطريقة الطيف الضوئي UV-Vis، حيث يوفر أداة MA المدعومة بالذكاء الاصطناعي تقييمًا شاملاً للاستدامة. لا تعزز هذه التكاملات من كفاءة ودقة تحليل الأدوية فحسب، بل تعزز أيضًا الوصول إلى المختبرات ذات الموارد المحدودة، مما يعزز التعاون العالمي من خلال بيانات الطيف القابلة للمشاركة. بشكل عام، تقدم هذه الأبحاث تقدمًا في مجال الكيمياء التحليلية الذكية من خلال تمكين التحليل السريع وعالي الإنتاجية مع الحفاظ على الدور الحاسم لخبرة الكيميائي في تطوير الطرق والتحقق منها.
مقدمة
تقدم مقدمة ورقة البحث خلفية نظرية أساسية لفهم سياق الدراسة وأهميتها. تحدد المفاهيم والإطارات الرئيسية التي تدعم البحث، مما يضع أساسًا للفرضيات والأساليب المستخدمة. تؤكد هذه القسم على أهمية هذه البنى النظرية في معالجة الأسئلة البحثية المطروحة.
بالإضافة إلى ذلك، تسلط المقدمة الضوء على النتائج السابقة في هذا المجال، موضحة كيف تؤثر على الدراسة الحالية. من خلال وضع البحث ضمن الأدبيات الموجودة، تهدف المؤلفون إلى إظهار الجدة والإسهامات المحتملة لعملهم. تعتبر هذه السياقات ضرورية لتأطير التحليل والنتائج اللاحقة المقدمة في الورقة.
طرق
في هذا القسم، يصف المؤلفون الأساليب المستخدمة في التحليل الطيفي للخلطات الاصطناعية التي تحتوي على CLIO وTOL وBETA وCC. بدأ التحليل بتطبيع طيف CLIO، الذي استخدم لتحديد تركيزه من خلال تطبيق ثابت مستمد من المنطقة الطيفية من 340.0-355.0 نانومتر واستخدام معادلة انحدار عند 254.8 نانومتر. بعد ذلك، تم طرح طيف CLIO من الخلطة لعزل نظام فرعي ثلاثي يتكون من BETA وTOL وCC.
لتحديد TOL، استخدم المؤلفون استراتيجية يدوية حيث تم تقسيم الخلطة الثلاثية المحلولة على الطيف الطبيعي لـ (BETA + CC) للحصول على المشتق الأول. ثم تم استخدام السعة عند 222.0 نانومتر في معادلة انحدار لحساب تركيز TOL. بالمثل، بالنسبة لـ CC، تم تقسيم الخلطة على الطيف الطبيعي لـ (BETA + TOL)، وتم استخدام السعة عند 242.6 نانومتر لحساب التركيز. تم تحديد تركيز BETA من خلال تقسيم الخلطة على الطيف الطبيعي لـ (TOL + CC) واستبدال السعة عند 250.0 نانومتر في المعادلة المقابلة. بالإضافة إلى ذلك، تم تنفيذ استراتيجية آلية باستخدام ChatGPT، حيث تم تحميل أطياف الامتصاص من الدرجة صفر كملفات CSV لاشتقاق المشتق الأول وحساب تركيز BETA بناءً على سعة الذروة عند 250.0 نانومتر.
نتائج
في هذه الدراسة، تم تطوير طريقة تحليلية جديدة لحل خلط ثلاثي من TOL وBETA وCC، بناءً على البروتوكولات السابقة المستخدمة للخلط الرباعي من CLIO وBETA وTOL وCC. تضمنت المنهجية تحليل أطياف الامتصاص من الدرجة صفر، حيث أظهر CLIO منطقة طيفية مميزة (340.0-355.0 نانومتر) سمحت بفصله عن الأطياف المتداخلة للمكونات الأخرى (200.0-290.0 نانومتر). تم استخدام تقنية ضرب الثابت مع طرح الطيف (CM-SS) لعزل الخلطة الثلاثية، بينما سهلت طريقة النسبة المشتقة ذات القاسم المزدوج (MAN-DD-DD) الحل الفردي لـ TOL وBETA وCC.
أشارت النتائج من تقييم أداة MA إلى درجة بياض تبلغ 60.9%، مع اختلاف الدرجات الخاصة بالمجال عبر مقاييس مختلفة. أبرزت النتائج أن بساطة الإجراءات لـ BAGI ساهمت في ارتفاع درجته، بينما أثر التأثير البيئي لتحضير العينات على درجة GEMAM. تؤكد الدراسة على إمكانية تحسين الاستدامة، لا سيما في عملية الاستخراج، وتظهر أن دمج أدوات الذكاء الاصطناعي يمكن أن يعزز كفاءة سير العمل وقابلية التكرار في البيئات المخبرية. تُقدم الإجراء الضوئي فوق البنفسجي المطور كنهج فعال من حيث التكلفة ومسؤول بيئيًا لتحليل الأدوية، مما يكون مفيدًا بشكل خاص للمختبرات ذات الموارد المحدودة.
مناقشة
تناقش البحث تطوير والتحقق من طريقتين طيفيتين جديدتين لتحليل الخلطات الثلاثية، مع التركيز بشكل خاص على استخراج نسبة المشتق ذات القاسم المزدوج اليدوي (MAN-DD-DDE) وطريقة النسبة المشتقة ذات القاسم المزدوج الآلي (AUTO-DD-DD). تعزز طريقة MAN-DD-DDE دقة استخراج أطياف النسبة المشتقة من خلال استخدام قياسات الذروة إلى الذروة ونهج القاسم المفكك، مما يقلل بشكل كبير من الأخطاء المرتبطة بالطرق التقليدية التي تعتمد على قياسات نقاط التوافق الحرجة. تسمح هذه الطريقة بالكمية الدقيقة للمكون Z في خليط من X وY وZ، بينما تبقى مستقلة عن تركيزات X وY. تظهر الدراسة أن طريقة MAN-DD-DDE توفر حساسية وموثوقية محسنتين، لا سيما عند تحليل الأطياف المتداخلة.
في المقابل، تدمج طريقة AUTO-DD-DD الذكاء الاصطناعي لتبسيط معالجة البيانات، مما يقلل من التدخل اليدوي والأخطاء المحتملة. من خلال استخدام أدوات الذكاء الاصطناعي مثل ChatGPT، تسهل الطريقة التحليل السريع وتوليد معادلات الانحدار، مما يعزز كفاءة سير العمل الطيفي. يتوافق التحقق من كلا الطريقتين مع إرشادات ICH، مما يؤكد دقتها وموثوقيتها من خلال مقارنات إحصائية مع الإجراءات المعتمدة. تشير النتائج إلى أن كلا الطريقتين تحقق معدلات استرداد عالية وقابلية للتكرار، مما يجعلها مناسبة لمراقبة الجودة الروتينية في التطبيقات الصيدلانية. تختتم الدراسة بتوصيات للبحوث المستقبلية لتحسين هذه الطرق واستكشاف قابليتها للتطبيق في سياقات تحليلية أوسع.
DOI: https://doi.org/10.1038/s41598-026-39433-3
PMID: https://pubmed.ncbi.nlm.nih.gov/41765924
Publication Date: 2026-03-01
Author(s): Nesma M. Fahmy et al.
Primary Topic: Spectroscopy and Chemometric Analyses
Overview
This study investigates the application of AI-assisted data handling in the development of spectrophotometric methods, offering a flexible alternative to traditional manual algorithms. The focus is on analyzing Quadriderm cream, which contains Clioquinol (CLIO), Betamethasone (BETA), Tolnaftate (TOL), Gentamicin (GEN), and Chlorocresol (CC). The research builds on prior work with complex pharmaceutical mixtures, specifically addressing the analytical challenges posed by the ternary subsystem of TOL, BETA, and CC. By integrating AI-enhanced spectral processing, the study aims to minimize operator variability and streamline workflows, including the generation of calibration graphs and regression equations. Validation metrics such as accuracy and precision confirm the reliability of the AI-driven approach, which demonstrates comparable performance to traditional methods while reducing subjective handling.
The findings reveal that the AI-assisted framework, utilizing tools like ChatGPT and Spectra Manager®, allows for efficient simultaneous analysis of laboratory mixtures and pharmaceutical formulations. Notably, the automated double divisor derivative ratio (AUTO-[DD-DD]) method outperformed the manual approach (MAN-[DD-DD]) in resolving overlapping UV spectra. The study also emphasizes the eco-friendly aspects of the UV-Vis spectrophotometric method, with the AI-assisted MA Tool providing a comprehensive sustainability assessment. This integration of AI not only enhances the efficiency and accuracy of drug analysis but also promotes accessibility for resource-limited laboratories, fostering global collaboration through shareable spectral data. Overall, the research advances the field of Smart Analytical Chemistry by enabling rapid, high-throughput analysis while maintaining the critical role of chemist expertise in method development and validation.
Introduction
The introduction of the research paper provides a theoretical background essential for understanding the study’s context and significance. It outlines key concepts and frameworks that underpin the research, establishing a foundation for the hypotheses and methodologies employed. The section emphasizes the relevance of these theoretical constructs in addressing the research questions posed.
Additionally, the introduction highlights previous findings in the field, illustrating how they inform the current study. By situating the research within the existing literature, the authors aim to demonstrate the novelty and potential contributions of their work. This contextualization is crucial for framing the subsequent analysis and results presented in the paper.
Methods
In this section, the authors describe the methodologies employed for the spectrophotometric analysis of synthetic mixtures containing CLIO, TOL, BETA, and CC. The analysis began with the normalization of the CLIO spectrum, which was used to determine its concentration by applying a constant derived from the spectral region of 340.0-355.0 nm and utilizing a regression equation at 254.8 nm. Following this, the CLIO spectrum was subtracted from the mixture to isolate a ternary subsystem comprising BETA, TOL, and CC.
For the determination of TOL, the authors employed a manual strategy where the resolved ternary mixture was divided by the normalized spectrum of (BETA + CC) to obtain the first derivative. The amplitude at 222.0 nm was then used in a regression equation to calculate TOL concentration. Similarly, for CC, the mixture was divided by the normalized spectrum of (BETA + TOL), and the amplitude at 242.6 nm was utilized for concentration calculation. BETA concentration was determined by dividing the mixture by the normalized spectrum of (TOL + CC) and substituting the amplitude at 250.0 nm into the corresponding equation. Additionally, an automated strategy using ChatGPT was implemented, where zero-order absorption spectra were uploaded as CSV files to derive the first derivative and calculate BETA concentration based on the peak amplitude at 250.0 nm.
Results
In this study, a new analytical method was developed to resolve a ternary mixture of TOL, BETA, and CC, building on previous protocols used for the quaternary mixture of CLIO, BETA, TOL, and CC. The methodology involved zero-order absorption spectra analysis, where CLIO exhibited a distinct spectral region (340.0-355.0 nm) that allowed for its separation from the overlapping spectra of the other components (200.0-290.0 nm). The constant multiplication coupled with spectrum subtraction (CM-SS) technique was employed to isolate the ternary mixture, while the double divisor derivative ratio method (MAN-DD-DD) facilitated the individual resolution of TOL, BETA, and CC.
The results from the MA Tool evaluation indicated a Whiteness Score of 60.9%, with domain-specific scores varying across different metrics. The findings highlighted that the procedural simplicity of BAGI contributed to its higher score, while the environmental impact of sample preparation affected the GEMAM score. The study emphasizes the potential for sustainability improvements, particularly in the extraction process, and demonstrates that the integration of AI tools can enhance workflow efficiency and reproducibility in laboratory settings. The developed UV procedure is presented as a cost-effective and environmentally responsible approach for drug analysis, particularly beneficial for laboratories with limited resources.
Discussion
The research discusses the development and validation of two novel spectrophotometric methods for analyzing ternary mixtures, specifically focusing on the Manual Double Divisor Derivative Ratio Extraction (MAN-DD-DDE) and the Automated Double Divisor Derivative Ratio (AUTO-DD-DD) methods. The MAN-DD-DDE method enhances the accuracy of derivative ratio spectra extraction by utilizing peak-to-peak measurements and a factorized divisor approach, which significantly reduces errors associated with traditional methods that depend on critical coincidence point measurements. This method allows for the precise quantification of component Z in a mixture of X, Y, and Z, while remaining independent of the concentrations of X and Y. The study demonstrates that the MAN-DD-DDE method provides improved sensitivity and robustness, particularly when analyzing overlapping spectra.
In contrast, the AUTO-DD-DD method integrates artificial intelligence to streamline data processing, reducing manual intervention and potential errors. By employing AI tools like ChatGPT, the method facilitates rapid analysis and regression equation generation, enhancing the efficiency of spectrophotometric workflows. The validation of both methods adheres to ICH guidelines, confirming their accuracy and precision through statistical comparisons with established procedures. The results indicate that both methods yield high recovery rates and reproducibility, making them suitable for routine quality control in pharmaceutical applications. The study concludes with recommendations for future research to further optimize these methods and explore their applicability in broader analytical contexts.