人工智能辅助高效液相色谱方法开发的批判性评估：瑞诺格分析案例研究及预测准确性与人工优化需求的系统评估

《BMC Chemistry》：Critical evaluation of AI-assisted HPLC method development: a case study of ranolazine analysis with systematic assessment of prediction accuracy and human optimization requirements

　　**摘要**本研究提出了一种参数级定量框架，用于系统评估人工智能在反相高效液相色谱（RP-HPLC）方法开发中的预测准确性；该方法学贡献在此前文献中尚未建立，以拉诺嗪作为模型分析物。本研究采用标准化色谱输入，评估了四个AI平台（Perplexity、Copilot、Gemini和YesChat）。YesChat HPLC方法开发者因能够提供结构化、可操作的输出，并明确强调绿色化学原则，被选为深入评估对象。AI的总体预测准确率为72.9%，基于三层框架对七个独立评分的色谱参数取平均值计算得出。四个仪器参数——柱温、流速、检测波长和流动相比例——的预测准确率为100%，而pH范围得分为70%，因为AI建议了一个宽泛范围（3.0–4.5）而非具体数值。化学相互作用参数方面出现了明显局限性，尤其是缓冲液必要性（0%）和环糊精浓度（40%）。经人工引导优化后，去除了磷酸盐缓冲液，并将磺丁醚-β-环糊精（SBE-β-CD）浓度降至4 mmol/L，改善了峰形和保留行为（Rt = 6.17 min）。所开发的RP-HPLC方法按照ICH Q2(R1)指南进行了验证，展现了稳健的分析性能：线性范围为10.0–100.0 μg/mL（r2 = 0.9999），精密度RSD < 2%，回收率为98.66–101.20%，检测限/定量限为1.25/3.79 μg/mL。环境性能良好，估计的WECA白度评分约为82/100，通过消除乙腈、减少甲醇消耗以及采用环糊精辅助色谱优化实现。这些结果表明，在本评估范围内，AI辅助优化可以加速药物质量控制中可持续、实用分析方法的发展，前提是运用人类专业知识来优化化学复杂参数并确保方法的稳健性。