精油を取り出すとき、長く加熱したり、強い処理を加えたりすれば、いつでも良い結果になるのでしょうか。回収できる量に加えて、得られた油の性質も考えると、条件選びは単純ではありません。
Parvej Hasan Jonらが2026年に発表した研究は、超音波で前処理してから葉を水とともに蒸留する方法を対象に、二つの数理モデルで条件を探しました。その一つが、AIの手法として使われる人工ニューラルネットワークです。目的は、精油の収量と、化学試験で評価する性質を、まとめて調整できるか確かめることでした。
葉と水の量、超音波、蒸留時間を変える
原料は、バングラデシュの市場で購入したインディアンベイリーフ、Cinnamomum tamalaの葉です。料理に使う香りのある葉ですが、一般的なローリエとして知られる月桂樹とは別の植物です。
乾燥させて刻んだ葉に水を加え、超音波を当てた後、水蒸留で精油を回収しました。変えた条件は、葉に対する水の量、超音波の強さ、超音波を当てる時間、蒸留時間の四つです。基準となる条件の繰り返しも含め、実験計画には30の実験枠を設けています。原著は、各実験を3回行ったと記しています。
測ったのは、乾燥した葉の重さに対して精油がどれだけ取れたかという収率と、総フェノール量の指標、DPPHという試薬への反応です。後ろの二つは、試験管内での化学的な性質を調べるためのものです。人の体内での抗酸化作用や、健康効果を測った値ではありません。
実験結果から、条件と結果の関係を学ぶ
比較した一つ目の方法は、条件と結果の関係を曲面として表す「応答曲面法」です。例えば、超音波を強くしたときの変化が、処理時間によってどう変わるかも含めて、数式で近似します。
二つ目の人工ニューラルネットワークは、実験データから、条件と結果の複雑なつながりを学ぶモデルです。研究では、良い候補を残しながら条件を探す「遺伝的アルゴリズム」と組み合わせました。どちらも、収率だけを最大にするのではなく、三つの測定指標を合わせて良い条件を選びます。
実験で得られた収率は、条件によって約0.54〜1.76％に分かれました。モデルの解析では、水の量や処理の強さを増やすほど、一方向に良くなる関係ではありませんでした。著者らは、成分を外へ出しやすくする効果と、過度な処理による損失の可能性を考えています。ただし、葉の細胞が壊れる過程や、成分が分解する反応を直接追った実験ではありません。
候補の条件で、予測に近い精油が取れた
ニューラルネットワークを使う方法が選んだ条件は、乾燥葉1グラムに対して水を約9.9ミリリットル、超音波を約142ワットで約27分、その後の蒸留を約124分という組み合わせでした。ここでいう蒸留時間は、冷却部に最初の滴が出てから数えています。前処理や加熱準備も含む全工程が124分で終わる、という意味ではありません。
この条件での収率は、予測が1.68％、実験では平均1.67％でした。総フェノール量の指標とDPPHへの反応も、予測に近い値になりました。応答曲面法が選んだ条件でも、予測1.66％に対して実測1.64％と、近い収率が得られています。
著者らは、今回のデータではニューラルネットワークを使う方法の予測精度が高かったと報告しています。ただし、1.67％と1.64％の差から、AIなら必ず多く取れるとは言えません。また、実験中の最大収率1.76％より低いのは、量だけでなく、残る二つの指標も合わせて条件を選んでいるためです。
得られた精油のGC–MS分析では、リナロール、オイゲノール、シンナムアルデヒドが主要成分でした。一方、この工程によって元の香りがどれだけ保たれたか、香りの好ましさが上がったかを、人が嗅ぎ比べて確かめた研究ではありません。
「なぜその条件か」を調べることも目的
この研究では、モデルに答えを出させるだけでなく、水の量や超音波の条件が予測にどう関わるかも解析しました。条件を一つずつ動かしたときの予測や、入力項目の重要度を調べることで、選ばれた条件の意味を説明しようとしています。著者らが重視しているのは、結果を予測する力と、工程を理解するための手がかりを両立させることです。
ただし、データは限られた原料と実験室規模の装置から得られています。モデルの検証も同じ実験計画に基づくもので、別の産地の葉や工場設備で同じ精度が出ると確かめたわけではありません。超音波を使わない蒸留との、同じ原料・装置による直接比較も、この実験計画には含まれていません。
まとめ
この研究が示したのは、精油の量と化学的な指標を一緒に見ながら、実験データに基づいて抽出条件を探す方法です。ニューラルネットワークは、その条件探しを支える道具になり、条件が結果にどう関わるかを説明する解析と組み合わせる価値があると、著者らは結論づけています。
香料や食品素材の製造へつなげるには、原料の産地が変わった場合や、装置を大型化した場合の検証が必要です。省エネルギー性、費用、香りの品質まで含めて確かめられれば、実験室で得た「良い条件」を、実際の製造条件へ近づけられます。
参考文献
Jon, P. H., Shourove, J. H., Ali, M. K., Rahman, O., Thakur, M. U., & Islam, G. M. R.（2026）. Optimizing sonication-assisted hydrodistillation of Cinnamomum tamala essential oil using response surface methodology and artificial neural network modeling. Scientific Reports, 16, 14107. DOI: 10.1038/s41598-026-42869-2／原著全文。
著者らは、この研究・執筆・出版に対する資金援助なし、利益相反なしと申告しています。原著：© 2026 The Author(s)、CC BY 4.0。
