Red neuronal artificial como estrategia para predecir propiedades reológicas en formulaciones de emulgeles

Crema y geles más inteligentes para tu piel

Desde cremas para el alivio del dolor hasta hidratantes cosméticos, muchos productos cotidianos son en realidad mezclas sofisticadas de aceite, agua y agentes espesantes. Conseguir la textura “justa” —ni demasiado líquida ni demasiado rígida— suele requerir mucho ensayo y error en el laboratorio. Este artículo explora cómo los investigadores emplearon la inteligencia artificial para predecir y afinar la viscosidad de un tipo popular de producto tópico llamado emulgel, lo que podría hacer el desarrollo más rápido, barato y fiable.

Por qué la textura importa en los medicamentos cotidianos

Los emulgeles combinan la facilidad de extensión de una crema con la estructura de un gel. Se usan ampliamente en tratamientos de venta libre para el dolor y en productos dermatológicos porque pueden mantener ingredientes oleosos mientras resultan agradables al tacto. Su rendimiento depende en gran medida de las propiedades “reológicas”: en términos simples, cómo fluyen y qué firmeza presentan. Si un gel es demasiado líquido, puede escurrirse de la piel o no mantener el fármaco en el lugar requerido. Si es demasiado denso, puede ser difícil de extender y no liberar adecuadamente el medicamento. Tradicionalmente, los formuladores cambian un ingrediente o un paso de procesamiento a la vez y luego miden la textura, un proceso lento que puede pasar por alto interacciones importantes entre variables.

Diseñar mejores geles con un plan

El equipo adoptó una estrategia conocida en la fabricación farmacéutica como Calidad por Diseño, que empieza preguntando: ¿qué características del producto importan más para los pacientes y la seguridad, y qué materiales y pasos de procesamiento controlan esas características? Usando una herramienta de análisis de riesgos, identificaron tres factores clave para sus emulgeles a base de carbópol: la cantidad del polímero carbópol (el espesante principal), cuánto tiempo se mezcla la mezcla y a qué velocidad se mezcla. A continuación prepararon once geles de prueba que variaron sistemáticamente estos tres factores y midieron cuidadosamente la viscosidad y otras propiedades físicas resultantes. Este enfoque estructurado creó un conjunto de datos compacto pero informativo que captura cómo la receta y las condiciones de proceso moldean la sensación final del gel.

Enseñar a una red neuronal a “leer” la mezcla

Con estos datos experimentales en mano, los investigadores recurrieron a redes neuronales artificiales, un tipo de aprendizaje automático inspirado en capas conectadas de nodos similares al cerebro. En lugar de usar la red para predecir la textura directamente, descubrieron que la configuración más potente hacía lo inverso: tomaba valores fáciles de medir —tiempo de mezcla, velocidad de mezcla y viscosidad del gel— como entradas y predecía la concentración de carbópol que debía haberlas producido. Al probar distintos tamaños de red, identificaron modelos que se ajustaban estrechamente a la realidad, con valores de correlación que indicaban que los niveles de carbópol predichos y reales coincidían en más del 90 por ciento de los casos en comprobaciones cruzadas. Esto significaba que el sistema podía “inferir la receta a partir del comportamiento” del gel de forma fiable.

Poner a prueba la receta digital

Para ver si su formulador virtual funcionaba más allá del conjunto de laboratorio inicial, los autores lo pusieron a prueba con productos comerciales, incluidos emulgeles para el alivio del dolor bien conocidos. Midieron la viscosidad de estos geles comprados en tienda, introdujeron esa información y los tiempos y velocidades de mezcla elegidos en su mejor red y obtuvieron una predicción del contenido de carbópol. Cuando fabricaron nuevos geles usando esos valores predichos, las viscosidades medidas coincidieron con las originales con un acuerdo superior al 94 por ciento, y en algunos casos casi de forma perfecta. El modelo funcionó especialmente bien para productos más densos y de alta viscosidad, que son comunes en geles farmacéuticos y particularmente sensibles a pequeños cambios en la composición y el procesamiento.

Qué supone esto para los medicamentos del futuro

Para el público no especializado, la conclusión principal es que los ordenadores pueden ahora aprender lo suficiente a partir de un conjunto relativamente pequeño de experimentos cuidadosamente planificados para actuar como asistentes inteligentes en el laboratorio. En lugar de adivinar y comprobar repetidamente, los desarrolladores de cremas y geles pueden usar herramientas basadas en redes neuronales para ir directamente a recetas prometedoras que ofrezcan la sensación y el rendimiento deseados. Aunque aún existen desafíos —especialmente para productos muy líquidos y para explicar el funcionamiento interno de estos modelos “caja negra” ante los reguladores—, el estudio demuestra que el diseño guiado por datos puede hacer que los medicamentos cotidianos sean más consistentes y más fáciles de desarrollar. A largo plazo, este tipo de enfoque podría ayudar a llevar al mercado tratamientos tópicos mejores y más rápidamente, con texturas optimizadas tanto para la comodidad como para la eficacia.

Cita: 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

Palabras clave: geles tópicos, redes neuronales artificiales, formulación de fármacos, emulgeles, reología farmacéutica