רשת עצבית מלאכותית כאסטרטגיה לחיזוי תכונות ריאולוגיות בתמיסות אמולג'ל

קרמים וג׳לים חכמים יותר לעור שלכם

מחומרי הרדמה מקומיים ועד למוצרי לחות קוסמטיים, רבים מהמוצרים היומיומיים הם למעשה תערובות מתוחכמות של שמן, מים וחומרי העיבוי. לכוון את המרקם "בדיוק נכון" — לא דליל מדי ולא קשה מדי — בדרך כלל דורש ניסוי וטעייה רב במעבדה. מאמר זה בוחן כיצד חוקרים השתמשו בבינה מלאכותית כדי לחזות ולכייל את הצמיגות של סוג נפוץ של מוצר מקומי הנקרא אמולג'ל, מה שעשוי להאיץ, להוזיל ולהפוך את פיתוח המוצרים ליותר מהימן.

למה המרקם חשוב בתרופות יומיומיות

אמולג׳לים משלבים את הפיזור החלק של קרם עם המבנה של ג׳ל. הם נפוצים בטיפולי כאב ללא מרשם ובמוצרי דרמטולוגיה מכיוון שהם יכולים להכיל מרכיבים שומניים תוך שמירה על תחושה נעימה על העור. הביצועים שלהם תלויים במידה רבה בתכונות "ריאולוגיות" — בפשטות, כמה בקלות הם זורמים וכמה הם מוצקים בתחושה. אם הג׳ל דליל מדי, הוא עלול לזלוג מהעור או לא לשמור את החומר הפעיל במקום שבו נדרש. אם הוא סמיך מדי, הוא עלול להיות קשה למריחה ואולי לא לשחרר את התרופה כראוי. בדרך כלל, מנסחי פורמולות משנים מרכיב או שלב עיבוד בכל פעם ואז מודדים את המרקם — תהליך איטי שיכול לפספס אינטראקציות חשובות בין משתנים.

לעצב ג׳לים טובים יותר עם תכנית

הצוות אימץ אסטרטגיה הידועה בייצור תרופות כ-Quality by Design, שמתחילה בשאלה: אילו תכונות של המוצר חשובות ביותר לחולים ולבטיחות, ואילו חומרים ושלבי עיבוד שולטות בתכונות אלה? באמצעות כלי ניתוח סיכונים הם זיהו שלושה גורמים מרכזיים לאמולג׳לים מבוססי קרבופול: כמות פולימר הקרבופול (המעבה העיקרי), משך ההקשור של התערובת ומהירות ההקשור. לאחר מכן הכינו אחד עשר ג׳לים ניסיוניים שונים שהשתנו באופן שיטתי שלושת הגורמים הללו, ומדדו בקפדנות את הצמיגות ותכונות פיזיקליות נוספות. גישה ממוסדת זו יצרה מערך נתונים קומפקטי אך אינפורמטיבי המסכם כיצד המתכון ותנאי התהליך מעצבים את התחושה הסופית של הג׳ל.

ללמד רשת עצבית לקרוא את התערובת

עם הנתונים הניסיוניים הללו, החוקרים פנו לרשתות עצביות מלאכותיות, סוג של למידת מכונה המושפעת ממבנים שדומים לשכבות מחוברות במוח. במקום להשתמש ברשת לחיזוי המרקם ישירות, הם גילו שההגדרה החזקה ביותר היא ההפוכה: היא קיבלה ערכים שקל למדוד — משך ערבוב, מהירות ערבוב וצמיגות הג׳ל — כקלט וניבאה את ריכוז הקרבופול שייתכן ויצר אותם. על ידי בדיקת גדלים שונים של רשתות הם זיהו מודלים שהתאימו באופן הדוק למציאות, עם ערכי קורלציה שהראו שהרמות החזויות והאמיתיות של הקרבופול הסכימו יותר מ-90 אחוז מהמקרים בבדיקות-חצייה. משמעות הדבר הייתה שהמערכת יכלה באופן אמין "להסיק את המתכון מההתנהגות" של הג׳ל.

להעמיד את המתכון הדיגיטלי למבחן

כדי לבדוק האם המנסח הווירטואלי שלהם עובד מעבר לערכת המעבדה הראשונית, המחברים אתגרו אותו עם מוצרים מסחריים, כולל אמולג׳לים מוכרים להקלת כאב. הם מדדו את הצמיגות של הג׳לים הנרכשים בחנות, הזינו את המידע הזה ואת זמני ומהירויות הערבוב הנבחרים לתוך הרשת הטובה ביותר שלהם, וקיבלו תחזית של תכולת הקרבופול. כאשר הכינו ג׳לים חדשים באמצעות הערכים החזויים הללו, הצמיגויות שנמדדו התאימו למקוריות בהסכמה של מעל 94 אחוז, ובמקרים מסוימים בהתאמה כמעט מושלמת. המודל התפקד היטב במיוחד עבור מוצרים סמיכים עם צמיגות גבוהה, הנפוצים בג׳לים פארמצבטיים ורגישים במיוחד לשינויים קטנים בהרכב ובתהליכים.

מה משמעות הדבר עבור תרופות עתידיות

בעבור מי שאינם מומחים, המסקנה העיקרית היא שמחשבים יכולים כיום ללמוד די ממערך ניסויים מתוכנן בקפידה והיחסית קטן כדי לפעול כעוזרים חכמים במעבדה. במקום לנחש ולבדוק שוב ושוב, מפתחי קרמים וג׳לים יכולים להשתמש בכלי רשת-עצבית כאלה כדי לדלג ישירות למתכונים מבטיחים שמספקים את התחושה והביצועים הרצויים. אמנם עוד קיימים אתגרים — במיוחד עבור מוצרים מאוד דלילים ולעתים בהצגת הפנימיות של מודלים "קופסה שחורה" לרגולטורים — המחקר מראה שעיצוב מונחה נתונים יכול להפוך תרופות יומיומיות ליותר עקביות וקלים יותר לפיתוח. לאורך זמן, גישה כזו עשויה לעזור להביא טיפולים מקומיים משופרים לשוק מהר יותר, עם מרקמים המותאמים הן לנוחות והן לאפקטיביות.

ציטוט: 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

מילות מפתח: ג׳לים שטחיים, רשתות עצביות מלאכותיות, פורמולציית תרופות, אמולג׳לים, ריאולוגיה פארמצבטית