الشبكة العصبية الاصطناعية كاستراتيجية للتنبؤ بالخصائص الريولوجية في تركيبات الإيمالجِل

كريمات وهلامات أذكى لبشرتك

من كريمات تخفيف الألم إلى المرطبات التجميلية، العديد من المنتجات اليومية هي في الواقع مزيجات متقنة من الزيت والماء ومواد كثيفة. الحصول على القوام «المثالي» — ليس سائلاً جداً ولا صلباً جداً — يتطلب عادة الكثير من التجارب والخطأ في المختبر. تستعرض هذه المقالة كيف استخدم باحثون الذكاء الاصطناعي للتنبؤ وضبط لزوجة نوع شائع من المنتجات الموضعية يُدعى الإيمالجِل، ما قد يسرّع التطوير ويخفض تكلفته ويجعله أكثر موثوقية.

لماذا يهم القوام في الأدوية اليومية

تجمع الإيمالجلات بين سلاسة انتشار الكريم وبنية الهلام. تُستخدم على نطاق واسع في علاجات الألم المتاحة بدون وصفة ومنتجات الأمراض الجلدية لأنها تستطيع احتواء مكونات دوائية دهنية مع الحفاظ على ملمس مريح على الجلد. تعتمد أداءها اعتماداً كبيراً على خصائص «الريولوجيا» — ببساطة، مدى سهولة تدفقها ومدى صلابتها. إذا كان الهلام رقيقاً جداً فقد يسيل عن الجلد أو يفشل في إبقاء الدواء في الموضع المطلوب. أما إذا كان سميكاً جداً فقد يصعب توزيعه وربما لا يطلق الدواء بشكل سليم. تقليدياً، يغيّر صانعو التركيبات مكوناً واحداً أو خطوة معالجة واحدة في كل مرة ثم يقيسون القوام، وهي عملية بطيئة قد تفوت تداخلات مهمة بين المتغيرات.

تصميم هلامات أفضل بخطة واضحة

اعتمد الفريق استراتيجية معروفة في صناعة الأدوية باسم الجودة بالتصميم (Quality by Design)، التي تبدأ بطرح سؤالين: ما الخصائص الأكثر أهمية للمرضى والسلامة، وما المواد وخطوات المعالجة التي تتحكم بتلك الخصائص؟ باستخدام أداة تحليل المخاطر، حدّدوا ثلاثة عوامل رئيسية لإيمالجلاتهم المعتمدة على الكاربوپول: كمية بوليمر الكاربوپول (المكثف الرئيسي)، مدة الخلط، وسرعة الخلط. ثم حضّروا إحدى عشرة عينة هلامية مختلفة غيّروا فيها هذه العوامل بشكل منهجي، وقاسوا بدقة اللزوجة والخصائص الفيزيائية الأخرى الناتجة. خلقت هذه المقاربة المنظمة مجموعة بيانات مضغوطة لكنها معلوماتية تلتقط كيف يشكل الوصفة وظروف المعالجة الإحساس النهائي للهلام.

تدريب شبكة عصبية لقراءة الخليط

مع هذه البيانات التجريبية، اتجه الباحثون إلى الشبكات العصبية الاصطناعية، وهو نوع من التعلم الآلي مستوحى من طبقات متصلة شبيهة بالدماغ. بدلاً من استخدام الشبكة للتنبؤ بالقوام مباشرة، وجدوا أن أقوى إعداد يعمل بالعكس: أخذ قيماً سهلة القياس — زمن الخلط، سرعة الخلط، ولزوجة الهلام — كمدخلات وتنبّأ بتركيز الكاربوپول الذي من المفترض أنه أنتج تلك القيم. عبر اختبار أحجام شبكات مختلفة، حدّدوا نماذج طابقت الواقع عن كثب، بقيم ارتباط تشير إلى أن المستويات المتنبأ بها والحقيقية من الكاربوپول اتفقت أكثر من 90 بالمئة من الوقت في التدقيق المتقاطع. هذا يعني أن النظام استطاع بشكل موثوق «استنتاج الوصفة من سلوك» الهلام.

اختبار الوصفة الرقمية عملياً

لاختبار ما إذا كان صانع الوصفات الافتراضي يعمل خارج مجموعة المختبر الأولية، تحدّوه بالمنتجات التجارية، بما في ذلك إيمالجلات تخفيف الألم المعروفة. قاسوا لزوجة هذه الجِلّات المشتراة من المتجر، وأدخلوا تلك المعلومات مع أزمنة وسرعات خلط مختارة إلى أفضل شبكتهم، فحصلوا على محتوى كاربوپول متوقع. عندما حضّروا هلامات جديدة باستخدام تلك القيم المتوقعة، طابقت اللزوجات المقاسة الأصلية بمعدلات اتفاق تزيد عن 94 بالمئة، وفي بعض الحالات كانت مطابقة تقريباً تماماً. أداؤه كان ممتازاً خصوصاً مع المنتجات الأسمك عالية اللزوجة، والتي تتكرر في الهلامات الصيدلانية وتكون حساسة بشكل خاص لتغيرات صغيرة في التركيبة والمعالجة.

ما معنى هذا للأدوية المستقبلية

لغير المتخصصين، الخلاصة الأساسية هي أن الحواسيب باتت قادرة الآن على التعلم من مجموعة صغيرة نسبياً من التجارب المخططة بعناية لتعمل كمساعدات ذكية في المختبر. بدلاً من التخمين والاختبار المتكرر، يمكن لمطوري الكريمات والهلامات استخدام مثل هذه الأدوات القائمة على الشبكات العصبية للانتقال مباشرة إلى وصفات واعدة توفر الإحساس والأداء المرغوبين. ومع وجود تحديات لا تزال قائمة — خصوصاً للمنتجات الرقيقة جداً ولشرح آلية عمل هذه النماذج «صندوق أسود» أمام الجهات المنظمة — تُظهر الدراسة أن التصميم المعتمد على البيانات يمكن أن يجعل الأدوية اليومية أكثر تناسقاً وأسهل في التطوير. وعلى المدى الطويل، قد تساعد هذه المنهجية في إيصال علاجات موضعية أفضل إلى السوق بسرعة أكبر، مع قوام محسّن للراحة والفعالية على حد سواء.

الاستشهاد: Duarte, L.S., Molano, L., Jiménez, R.A. et al. Artificial neural network as a strategy to predict rheological properties in emulgel formulations. Sci Rep 16, 5025 (2026). https://doi.org/10.1038/s41598-026-35795-w

الكلمات المفتاحية: الهلامات الموضعية, الشبكات العصبية الاصطناعية, تصنيع الأدوية, الإيمالجلات, ريولوجيا الصيدلة