《Sustainable Chemistry and Pharmacy》：Bayesian-optimized automated machine learning for multivariate regression-based spectral prediction: Simultaneous quantification of co-formulated antidiabetics
编辑推荐：
摘要复方降糖药物（具体为达格列净（DAP）和格列齐特（GLI））的常规质量控制通常依赖于资源密集型且对环境不友好的高效液相色谱法（HPLC）。虽然紫外-可见（UV-Vis）分光光度法提供了一种高可持续性、低溶剂消耗的替代方法，但其直接应用因严重的谱线共线性而被根本性地排除。为
摘要
复方降糖药物（具体为达格列净（DAP）和格列齐特（GLI））的常规质量控制通常依赖于资源密集型且对环境不友好的高效液相色谱法（HPLC）。虽然紫外-可见（UV-Vis）分光光度法提供了一种高可持续性、低溶剂消耗的替代方法，但其直接应用因严重的谱线共线性而被根本性地排除。为克服这一分析瓶颈，本研究引入了一种新型化学计量学方案，采用AutoRegress——一个贝叶斯优化的自动化机器学习（AutoML）框架。通过动态导航超参数空间，该算法通过基于多元回归的谱预测解决了重叠光谱问题，自主为两种分析物建立了稳健的Elastic Net回归架构，并取得了卓越的预测准确性（R2?≥?0.9984）。模型的预测可靠性通过总误差概念（total error concept）的准确度图谱进行了严格验证。结果证实，95% β-期望容许区间严格保持在预定义的±10%接受限内。此外，采用Two One-Sided Tests（TOST）方法针对已建立的HPLC参考方法进行正式统计等价性评估，确证了分析方法的互换性。通过将连续消耗乙腈替换为基于乙醇的提取，所提出的方法展现了优越的生态与运行效率，达到了63.4的White Analytical Chemistry（镶嵌WAC）评分。最终，贝叶斯AutoML与零级UV-Vis分光光度学的这一整合，为现代药物质量控制提供了一种精确、可持续且具备实用适应性的新范式。
引言
2型糖尿病（T2DM）通常需要多靶点血糖控制，在单一疗法不足时采用如达格列净（DAP，补充图S1-A）和格列齐特（GLI，补充图S1-B）等协同固定剂量组合（Khunti et al., 2025; Fuentes-Barría et al., 2026; Erande et al., 2026; Nemitz et al., 2026; Tomlinson et al., 2022）。这些互补机制的协同配方在管理T2DM患者多变的血糖敏感性方面非常有效（Erande et al., 2026）。鉴于该联合治疗的临床重要性，常规质量控制（QC）需要稳健的分析方法。传统上，DAP和GLI的同时定量严重依赖高效液相色谱法（HPLC）（Suganthi et al., 2024; Kant et al., 2019）。然而，将标准色谱技术应用于高通量药物分析存在明显缺点。HPLC方案本质上是资源密集型、操作要求高且对环境不友好，因为需要持续消耗并处理有害有机溶剂（Eraqi et al., 2025a, 2025b; Ibrahim et al., 2025）。这种沉重的运行足迹与现代White Analytical Chemistry（WAC）范式直接冲突，WAC强调生态安全、分析人员职业健康和高实验室通量，而不牺牲分析质量（Al-Khateeb et al., 2026）。紫外-可见（UV-Vis）分光光度法为HPLC提供了快速、经济且溶剂节约的替代方案（Ibrahim, 2022; Algohary et al., 2024）。然而，DAP和GLI在联合剂型中的直接分光光度测定因广泛的谱线共线性而受到严重阻碍。虽然已提出经典导数分光光度技术来解决此类重叠信号，但这些方法在复杂混合物中常出现信噪比下降的问题（Algohary et al., 2026a）。因此，分析化学家越来越多地转向基于多元回归的谱预测，以在数学上解析未分离的谱数据，避免经典谱解卷积技术的局限（Algohary et al., 2026b）。然而，传统静态化学计量学模型通常需要大量人工超参数调优，且在低样本、高共线性条件下运行时难以维持预测准确性。为应对这些局限，当代数据科学进展表明自动化机器学习（AutoML）流程对于解决严重共线性至关重要（Altwala et al., 2026）。在本研究中，我们提出了一种可持续的分光光度方案，用于同时定量复方DAP和GLI，并明确区分我们的分析与算法贡献。从分析角度看，其新颖之处在于首次实现了该特定高共线性二元混合物的无分离、WAC合规定量，仅使用简单零级UV-Vis分光光度法，从而消除了对资源密集型液相色谱的依赖。从算法角度看，其新颖性源于开创性地应用AutoRegress——一个贝叶斯优化的AutoML框架（Algohary et al., 2026b; Altwala et al., 2026）——自主导航复杂超参数空间并执行基于多元回归的谱预测，而无需人工化学计量学调优。为最大化预测严谨性，该算法动态导航超参数空间，自主选择最优惩罚回归算法和特征子集。据我们所知，这是首次成功将贝叶斯优化的AutoML与UV-Vis分光光度法整合，用于该特定复方降糖药的常规质量控制。最后，所提出的方法采用总误差概念（Ibrahim et al., 2024; Muneeb Kanaan et al., 2024; Altwala et al., 2025）进行严格验证，并与参考HPLC方法进行统计基准比较，展示了其作为优越WAC合规替代方案在药物分析中的可行性。
章节摘要
仪器
所有分光光度分析均在Specord 210 Plus双光束仪器上完成（Analytik Jena，Jena，德国）。所有零级UV吸收光谱均在200.0至400.0 nm波长范围内记录。仪器参数配置为谱数据间隔（测量点）0.20 nm，连续扫描速度10.0 nm/s，积分时间0.02 s，使用标准1 cm石英比色皿，光谱狭缝宽度为1 nm。Aspect UV软件（版本1.2.3）
光谱特性与共线性挑战
在70%乙醇溶液中记录的DAP、GLI及其相应二元混合物的零级UV吸收光谱显示在补充图S2中。两种分析物主要在200–290 nm范围内呈现明显的光谱活性，而在290至400 nm范围内显示可忽略的吸收。单独谱线显示，DAP在200 nm附近呈现高末端吸收，随后在约223 nm处出现一个吸收带，并伴有一个延长的低吸收
结论
所开发的UV-Vis分光光度方案为常规HPLC提供了一种高效、生态可持续的替代方案，用于同时定量复方DAP和GLI。为决定性克服该混合物固有的严重谱线共线性，本研究借助了AutoRegress框架。打破了静态、人工调优化学计量学的局限，该自动化机器学习流程系统地考察了全面的算法库
CRediT作者贡献声明
Belal Muneeb Kanaan： 监督、资源、项目管理、资金获取、形式分析。Ayman M. Algohary： 调查研究、形式分析、数据管理。Sultanah M.N. Alhunayhin： 写作——审阅与编辑、方法学、形式分析、数据管理、概念构思。Abdullah H. Alluhayb： 写作——审阅与编辑、验证、方法学。Reham Ali： 写作——初稿、可视化、方法学。Ahmed M. Ibrahim： 写作——初稿、软件。
利益冲突声明
作者声明他们没有已知的竞争性经济利益或个人关系可能影响本文所报告的工作。
致谢
作者感谢Majma'ah大学研究生院和科学研究司通过项目编号（R-2026-499）对本研究工作的资金支持。
Belal Muneeb Kanaan|Ayman M. Algohary|Sultanah M.N. Alhunayhin|Abdullah H. Alluhayb|Reham Ali|Ahmed M. Ibrahim
沙特阿拉伯王国Majma'ah大学Al-zulfi科学学院化学系，Al-Majmaah，11952
