بهینه‌سازی و استخراج مقایسه‌ای سافرانال از کلاله زعفران (Crocus sativus L.) و محصولات تجاری زعفران با استفاده از روش سطح پاسخ (RSM) و …

زعفران (Crocus sativus L.) که معمولاً با نام زعفران شناخته می‌شود، یک گیاه دارویی بسیار ارزشمند است که اغلب به دلیل اهمیت اقتصادی و رنگ پر جنب و جوش گل، “طلای سرخ” نامیده می‌شود. در میان ترکیبات زیست فعال آن، سافرانال به دلیل خواص آنتی‌اکسیدانی، ضد التهابی و محافظت عصبی قابل توجه است. با این حال، استانداردسازی استخراج آن به دلیل شرایط پردازش متغیر همچنان چالش برانگیز است. این مطالعه استخراج سافرانال را با استفاده از روش سطح پاسخ (RSM) و سیستم استنتاج عصبی-فازی تطبیقی ​​(ANFIS) بهینه کرد. غربالگری اولیه نشان داد که استخراج به کمک مایکروویو (MAE) بالاترین بازده (0.950٪ در 30 دقیقه) را ارائه می‌دهد، در حالی که استخراج به کمک اولتراسوند (UAE) تنها در 10 دقیقه به 0.808٪ می‌رسد. پارامترهای استخراج شامل دما، زمان تابش، غلظت حلال، اندازه ذرات، نسبت حلال به حل‌شونده، pH و مراحل استخراج به طور سیستماتیک ارزیابی شدند. طراحی باکس-بنکن (BBD) شرایط بهینه (60 درجه سانتیگراد، 10 دقیقه، 50٪ اتانول، نسبت جامد به حلال 7.5 گرم در میلی لیتر) را بهینه کرد و حداکثر 0.605٪ سافرانال را به دست آورد. طراحی باکس-بنکن (BBD) برازش بسیار خوبی با مدل درجه دوم نشان داد (R2 = 99.38٪). مدل سیستم استنتاج عصبی-فازی تطبیقی ​​(ANFIS) این پیش‌بینی‌ها را بیشتر اصلاح کرد. کروماتوگرافی لایه نازک با کارایی بالا (HPTLC) بازده سافرانال (0.605٪) را در شرایط بهینه تعیین کرد. مدل ANFIS با 81 قانون فازی با موفقیت برهمکنش‌های غیرخطی را مدل‌سازی کرد. روش HPTLC با حد تشخیص (LOD) 120 میکروگرم در نقطه و حد تعیین مقدار (LOQ) 360 میکروگرم در نقطه اعتبارسنجی شد. نتایج، یک فرآیند استخراج سریع، سازگار با محیط زیست و با مصرف انرژی بهینه را نشان می‌دهد که یک رویکرد پایدار برای تولید سافرانال جهت پشتیبانی از کاربردهای رو به رشد دارویی و عطرسازی آن است.
Crocus sativus L. (Iridaceae), commonly known as saffron, is a highly valued medicinal plant often termed ‘red gold’ for its economic importance and vibrant flower colour. Among its bioactive constituents, safranal is notable for its antioxidant, anti-inflammatory, and neuroprotective properties. However, standardising its extraction remains challenging due to variable processing conditions. This study optimised safranal extraction using response surface methodology (RSM) and adaptive neuro-fuzzy inference system (ANFIS). Initial screening showed that microwave-assisted extraction (MAE) provided the highest yield (0.950% in 30 min), while ultrasound-assisted extraction (UAE) achieved 0.808% in only 10 min. Extraction parameters including temperature, irradiation time, solvent concentration, particle size, solvent-to-solute ratio, pH, and extraction steps were systematically evaluated. Box-Behnken design (BBD) optimised conditions (60 °C, 10 min, 50% ethanol, 7.5 g/mL solid-to-solvent ratio) yielded a maximum of 0.605% safranal. Box-Behnken design (BBD) showing an excellent fit with the quadratic model (R2 = 99.38%). The adaptive neuro-fuzzy inference system (ANFIS) model further refined these predictions. High-performance thin-layer chromatography (HPTLC) quantified the yield of safranal (0.605%) under optimised conditions. The ANFIS model with 81 fuzzy rules successfully modelled non-linear interactions. The HPTLC method was validated with a Limit of Detection (LOD) of 120 µg/spot and a Limit of Quantitation (LOQ) of 360 µg/spot. The results demonstrate a rapid, eco-friendly, and energy-efficient extraction process, which is a sustainable approach for safranal production to support its growing pharmaceutical and fragrance applications.