Künstliches neuronales Netzwerk als Strategie zur Vorhersage rheologischer Eigenschaften in Emulgel‑Formulierungen

Intelligente Cremes und Gele für Ihre Haut

Von schmerzlindernden Salben bis zu kosmetischen Feuchtigkeitscremes sind viele Alltagsprodukte eigentlich komplexe Mischungen aus Öl, Wasser und Verdickungsmitteln. Die richtige Textur zu erzielen – nicht zu flüssig, nicht zu fest – erfordert normalerweise viel Versuch und Irrtum im Labor. Dieser Artikel untersucht, wie Forschende künstliche Intelligenz einsetzten, um die Viskosität eines verbreiteten topischen Produkts, des Emulgels, vorherzusagen und zu optimieren, was die Entwicklung potenziell schneller, kostengünstiger und verlässlicher machen kann.

Warum Textur bei Alltagsmedikamenten wichtig ist

Emulgels verbinden die geschmeidige Verteilbarkeit einer Creme mit der Struktur eines Gels. Sie werden häufig in rezeptfreien Schmerzmitteln und dermatologischen Produkten eingesetzt, weil sie ölhaltige Wirkstoffe halten können und gleichzeitig angenehm auf der Haut liegen. Ihre Leistungsfähigkeit hängt stark von rheologischen Eigenschaften ab – einfach gesagt davon, wie leicht sie fließen und wie fest sie sich anfühlen. Ist ein Gel zu dünn, kann es von der Haut laufen oder den Wirkstoff nicht am gewünschten Ort halten. Ist es zu dick, lässt es sich schwer verteilen und setzt den Wirkstoff möglicherweise nicht richtig frei. Traditionell verändern Formulierer eine Zutat oder einen Verarbeitungsschritt nach dem anderen und messen dann die Textur – ein langsamer Prozess, der wichtige Wechselwirkungen zwischen Parametern übersehen kann.

Bessere Gele durch planvolles Design

Das Team übernahm eine Strategie aus der Arzneimittelherstellung, bekannt als Quality by Design, die damit beginnt zu fragen: Welche Eigenschaften des Produkts sind für Patientinnen, Patienten und die Sicherheit am wichtigsten, und welche Materialien und Verarbeitungsschritte steuern diese Eigenschaften? Mithilfe eines Risikoanalyse‑Werkzeugs identifizierten sie drei Schlüsselfaktoren für ihre Carbopol‑basierten Emulgels: die Menge an Carbopol‑Polymer (der Hauptverdicker), die Rührdauer und die Rührgeschwindigkeit. Sie stellten dann elf verschiedene Testgele her, die diese drei Faktoren systematisch variierten, und maßen sorgfältig die resultierende Viskosität und andere physikalische Eigenschaften. Dieser strukturierte Ansatz schuf einen kompakten, aber informativen Datensatz, der erfasst, wie Rezeptur und Prozessbedingungen das Endgefühl des Gels formen.

Ein neuronales Netzwerk die Mischung lehren

Mit diesen experimentellen Daten wandten sich die Forschenden künstlichen neuronalen Netzwerken zu, einer Art maschinellen Lernens, das von schichtenweise verbundenen, gehirnähnlichen Knoten inspiriert ist. Anstatt das Netzwerk direkt die Textur vorhersagen zu lassen, zeigte sich die wirkungsvollste Vorgehensweise als umgekehrt: Es nutzte leicht messbare Werte – Rührdauer, Rührgeschwindigkeit und Gelviskosität – als Eingaben und sagte die Carbopol‑Konzentration vorher, die diese Werte erzeugt haben musste. Durch Testen verschiedener Netzwerkgrößen identifizierten sie Modelle, die die Realität eng abbildeten, mit Korrelationswerten, die zeigten, dass vorhergesagte und tatsächliche Carbopol‑Werte in Quervergleichen mehr als 90 Prozent Übereinstimmung erreichten. Das bedeutete, dass das System zuverlässig „aus dem Verhalten des Gels auf das Rezept schließen“ konnte.

Das digitale Rezept auf die Probe gestellt

Um zu prüfen, ob ihr virtueller Formulierer über die anfängliche Laborprobe hinaus funktioniert, testeten die Autorinnen und Autoren ihn mit handelsüblichen Produkten, darunter bekannte schmerzlindernde Emulgels. Sie maßen die Viskosität dieser gekauften Gele, speisten diese Informationen sowie gewählte Rührzeiten und -geschwindigkeiten in ihr bestes Netzwerk ein und erhielten eine vorhergesagte Carbopol‑Konzentration. Als sie neue Gele mit diesen vorhergesagten Werten herstellten, stimmten die gemessenen Viskositäten mit den Originalen zu mehr als 94 Prozent überein, in manchen Fällen fast perfekt. Das Modell lieferte besonders gute Ergebnisse für dickere, hochviskose Produkte, die in pharmazeutischen Gelen häufig vorkommen und besonders empfindlich auf kleine Änderungen in Zusammensetzung und Verarbeitung reagieren.

Was das für künftige Arzneimittel bedeutet

Für Nichtfachleute lautet die wichtigste Erkenntnis, dass Computer mittlerweile genug aus einer vergleichsweise kleinen Anzahl sorgfältig geplanter Experimente lernen können, um als intelligente Assistenten im Labor zu fungieren. Anstatt wiederholt zu raten und zu prüfen, können Entwicklerinnen und Entwickler von Cremes und Gelen solche neuronalen Netzwerk‑Tools nutzen, um direkt zu vielversprechenden Rezepturen zu springen, die das gewünschte Gefühl und die gewünschte Leistung liefern. Es bleiben zwar Herausforderungen – insbesondere bei sehr dünnen Produkten und bei der Erklärbarkeit dieser „Black‑Box“‑Modelle gegenüber Regulierungsbehörden – doch die Studie zeigt, dass datengetriebenes Design Alltagsmedikamente konsistenter und leichter entwickelbar machen kann. Langfristig könnte dieser Ansatz dazu beitragen, bessere topische Behandlungen schneller auf den Markt zu bringen, mit Texturen, die sowohl für Komfort als auch Wirksamkeit optimiert sind.

Zitation: 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

Schlüsselwörter: topische Gele, künstliche neuronale Netzwerke, Arzneiformulierung, Emulgels, pharmazeutische Rheologie