Réseau neuronal artificiel comme stratégie pour prédire les propriétés rhéologiques des formulations d’emulgel

Crèmes et gels plus intelligents pour votre peau

Des crèmes antidouleur aux hydratants cosmétiques, de nombreux produits du quotidien sont en réalité des mélanges sophistiqués d’huile, d’eau et d’agents épaississants. Obtenir la texture « juste parfaite » — pas trop fluide, pas trop ferme — nécessite généralement beaucoup d’essais et d’erreurs en laboratoire. Cet article explique comment des chercheurs ont utilisé l’intelligence artificielle pour prédire et ajuster l’épaisseur d’un type courant de produit topique appelé emulgel, ce qui pourrait rendre le développement plus rapide, moins coûteux et plus fiable.

Pourquoi la texture compte dans les médicaments du quotidien

Les emulgels combinent l’étalement soyeux d’une crème et la structure d’un gel. Ils sont largement utilisés dans les traitements en vente libre contre la douleur et les produits de dermatologie parce qu’ils peuvent contenir des principes actifs huileux tout en restant agréables sur la peau. Leurs performances dépendent fortement des propriétés « rhéologiques » — en termes simples, de la facilité d’écoulement et de la fermeté ressentie. Si un gel est trop fluide, il peut couler de la peau ou ne pas maintenir le médicament à l’endroit souhaité. S’il est trop épais, il peut être difficile à étaler et ne pas libérer correctement le principe actif. Traditionnellement, les formulateurs modifient un ingrédient ou une étape de traitement à la fois puis mesurent la texture, un processus lent qui peut faire manquer des interactions importantes entre variables.

Concevoir de meilleurs gels avec une méthode

L’équipe a adopté une stratégie connue en fabrication pharmaceutique sous le nom de Quality by Design, qui commence par se demander : quelles caractéristiques du produit importent le plus pour les patients et la sécurité, et quels matériaux et étapes de traitement contrôlent ces caractéristiques ? À l’aide d’un outil d’analyse des risques, ils ont identifié trois facteurs clés pour leurs emulgels à base de carbopol : la quantité de polymère carbopol (l’épaississant principal), la durée d’agitation du mélange et la vitesse d’agitation. Ils ont ensuite préparé onze gels d’essai différents en faisant varier systématiquement ces trois facteurs, et ont mesuré avec soin l’épaisseur et d’autres propriétés physiques obtenues. Cette approche structurée a créé un jeu de données compact mais informatif qui capture la manière dont la recette et les conditions de processus façonnent le toucher final du gel.

Apprendre à un réseau neuronal à lire le mélange

Avec ces données expérimentales en main, les chercheurs se sont tournés vers les réseaux neuronaux artificiels, un type d’apprentissage automatique inspiré des couches de nœuds interconnectés du cerveau. Plutôt que d’utiliser le réseau pour prédire directement la texture, ils ont constaté que la configuration la plus performante faisait l’inverse : elle prenait comme entrées des valeurs faciles à mesurer — temps de mélange, vitesse de mélange et épaisseur du gel — et prédisait la concentration de carbopol qui avait dû les produire. En testant différentes tailles de réseau, ils ont identifié des modèles qui se rapprochaient fortement de la réalité, avec des coefficients de corrélation indiquant que les niveaux de carbopol prédits et réels concordaient plus de 90 % du temps lors de vérifications croisées. Cela signifiait que le système pouvait de manière fiable « déduire la recette à partir du comportement » du gel.

Mettre la recette numérique à l’épreuve

Pour vérifier si leur formulateur virtuel fonctionnait au‑delà du jeu de laboratoire initial, les auteurs l’ont testé sur des produits commerciaux, y compris des emulgels antidouleur bien connus. Ils ont mesuré l’épaisseur de ces gels achetés en magasin, ont fourni ces informations ainsi que des temps et vitesses de mélange choisis à leur meilleur réseau, et ont obtenu une teneur en carbopol prédite. Lorsqu’ils ont fabriqué de nouveaux gels en utilisant ces valeurs prédites, les épaisseurs mesurées correspondaient aux originales avec un accord supérieur à 94 %, et dans certains cas presque parfaitement. Le modèle a particulièrement bien fonctionné pour les produits plus épais et à haute viscosité, fréquents dans les gels pharmaceutiques et particulièrement sensibles aux petits changements de composition et de procédé.

Ce que cela signifie pour les médicaments de demain

Pour le non‑spécialiste, l’idée principale est que les ordinateurs peuvent désormais apprendre suffisamment à partir d’un ensemble relativement restreint d’expériences soigneusement planifiées pour agir comme assistants intelligents en laboratoire. Plutôt que de deviner et vérifier à répétition, les développeurs de crèmes et de gels peuvent utiliser de tels outils basés sur des réseaux neuronaux pour passer directement à des recettes prometteuses offrant le toucher et les performances souhaités. Il subsiste des défis — notamment pour les produits très liquides et pour expliquer le fonctionnement interne de ces modèles « boîte noire » aux régulateurs — mais l’étude montre que la conception guidée par les données peut rendre les médicaments quotidiens plus homogènes et plus faciles à développer. À long terme, ce type d’approche pourrait aider à mettre sur le marché plus rapidement de meilleurs traitements topiques, avec des textures optimisées tant pour le confort que pour l’efficacité.

Citation: 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

Mots-clés: gels topiques, réseaux neuronaux artificiels, formulation de médicaments, emulgels, rhéologie pharmaceutique