Rete neurale artificiale come strategia per prevedere le proprietà reologiche nelle formulazioni di emulgel

Creme e gel più intelligenti per la tua pelle

Dai cerotti antidolorifici ai cosmetici idratanti, molti prodotti di uso quotidiano sono in realtà miscele sofisticate di olio, acqua e agenti addensanti. Ottenere la consistenza “giusta” — non troppo fluida, non troppo rigida — richiede normalmente molte prove in laboratorio. Questo articolo esplora come i ricercatori abbiano utilizzato l’intelligenza artificiale per prevedere e affinare la viscosità di un tipo diffuso di prodotto topico chiamato emulgel, potenzialmente rendendo lo sviluppo più rapido, economico e affidabile.

Perché la consistenza è importante nei medicinali di uso quotidiano

Gli emulgel combinano la stesura liscia di una crema con la struttura di un gel. Sono ampiamente usati in trattamenti da banco per il dolore e in prodotti dermatologici perché possono contenere ingredienti farmaceutici oleosi mantenendo una sensazione gradevole sulla pelle. Le loro prestazioni dipendono fortemente dalle proprietà «reologiche» — in termini semplici, quanto facilmente scorrono e quanto risultano consistenti al tatto. Se un gel è troppo fluido, può colare dalla pelle o non mantenere il farmaco dove è necessario. Se è troppo denso, può risultare difficile da spalmare e potrebbe non rilasciare il principio attivo correttamente. Tradizionalmente, i formulatori modificano un ingrediente o una fase di processo alla volta e poi misurano la consistenza, un processo lento che può non cogliere interazioni importanti tra le variabili.

Progettare gel migliori con un piano

Il gruppo ha adottato una strategia nota nella produzione farmaceutica come Quality by Design, che parte ponendosi domande: quali caratteristiche del prodotto contano di più per i pazienti e per la sicurezza, e quali materiali e passaggi di processo controllano queste caratteristiche? Usando uno strumento di analisi del rischio, hanno individuato tre fattori chiave per i loro emulgel a base di carbopol: la quantità del polimero carbopol (l’addensante principale), la durata della miscelazione e la velocità di miscelazione. Hanno poi preparato undici diversi gel di prova che variavano sistematicamente questi tre fattori e hanno misurato accuratamente la viscosità e altre proprietà fisiche risultanti. Questo approccio strutturato ha creato un set di dati ridotto ma informativo che cattura come ricetta e condizioni di processo plasmano la sensazione finale del gel.

Insegnare a una rete neurale a leggere la miscela

Con questi dati sperimentali a disposizione, i ricercatori si sono rivolti alle reti neurali artificiali, un tipo di apprendimento automatico ispirato a strati di nodi connessi simili al cervello. Invece di usare la rete per prevedere direttamente la consistenza, hanno scoperto che la configurazione più efficace faceva il contrario: prendeva valori facilmente misurabili — tempo di miscelazione, velocità di miscelazione e viscosità del gel — come input e prevedeva la concentrazione di carbopol che doveva averli prodotti. Testando diverse dimensioni di rete, hanno individuato modelli che corrispondevano strettamente alla realtà, con valori di correlazione che indicavano che i livelli di carbopol previsti e quelli effettivi concordavano oltre il 90% delle volte nei controlli incrociati. Questo significava che il sistema poteva affidabilmente «inferire la ricetta dal comportamento» del gel.

Mettere alla prova la ricetta digitale

Per verificare se il loro formulatore virtuale funzionasse oltre il set iniziale di laboratorio, gli autori lo hanno sfidato con prodotti commerciali, inclusi noti emulgel antidolorifici. Hanno misurato la viscosità di questi gel acquistati in negozio, inserito tali informazioni e i tempi e le velocità di miscelazione scelti nella loro migliore rete e ottenuto una previsione del contenuto di carbopol. Quando hanno preparato nuovi gel usando quei valori previsti, le viscosità misurate corrispondevano agli originali con un accordo superiore al 94% e in alcuni casi quasi perfetto. Il modello ha funzionato particolarmente bene per prodotti più densi e ad alta viscosità, comuni nei gel farmaceutici e particolarmente sensibili a piccole variazioni di composizione e processo.

Cosa significa questo per i farmaci del futuro

Per i non specialisti, il risultato principale è che ora i computer possono apprendere abbastanza da un set relativamente piccolo di esperimenti ben pianificati da agire come assistenti intelligenti in laboratorio. Invece di indovinare e verificare ripetutamente, gli sviluppatori di creme e gel possono usare strumenti basati su reti neurali per passare direttamente a ricette promettenti che offrono la sensazione e le prestazioni desiderate. Pur restando sfide — in particolare per prodotti molto fluidi e per spiegare il funzionamento interno di questi modelli «scatola nera» ai regolatori — lo studio mostra che il design guidato dai dati può rendere i medicinali di uso quotidiano più coerenti e più facili da sviluppare. A lungo termine, questo approccio potrebbe aiutare a portare sul mercato trattamenti topici migliori e più rapidamente, con consistenze ottimizzate sia per il comfort sia per l’efficacia.

Citazione: 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

Parole chiave: gel topici, reti neurali artificiali, formulazione di farmaci, emulgel, reologia farmaceutica