Kunstmatig neuraal netwerk als strategie om reologische eigenschappen in emulgelformuleringen te voorspellen

Slimmere crèmes en gels voor uw huid

Van pijnstillende crèmes tot cosmetische moisturizers: veel alledaagse producten zijn eigenlijk geavanceerde mengsels van olie, water en verdikkingsmiddelen. De textuur precies goed krijgen — niet te vloeibaar, niet te stijf — vergt doorgaans veel proef‑en‑foutwerk in het laboratorium. Dit artikel onderzoekt hoe onderzoekers kunstmatige intelligentie hebben gebruikt om de dikte van een populair type topisch product, een emulgel, te voorspellen en fijn af te stemmen, wat de ontwikkeling mogelijk sneller, goedkoper en betrouwbaarder kan maken.

Waarom textuur belangrijk is in dagelijkse geneesmiddelen

Emulgels combineren het soepel uitsmeren van een crème met de structuur van een gel. Ze worden veel gebruikt in vrij verkrijgbare pijnbehandelingen en dermatologische producten omdat ze oliehoudende werkzame stoffen kunnen vasthouden terwijl ze prettig aanvoelen op de huid. Hun prestatie hangt sterk af van reologische eigenschappen — in eenvoudige termen hoe gemakkelijk ze vloeien en hoe stevig ze aanvoelen. Is een gel te dun, dan kan hij van de huid weglopen of het actieve bestanddeel niet op de juiste plaats houden. Is hij te dik, dan is hij moeilijk te verdelen en kan de afgifte van het geneesmiddel belemmerd worden. Traditioneel veranderen formuleringen één ingrediënt of één verwerkingsstap per keer en wordt daarna de textuur gemeten, een traag proces dat belangrijke interacties tussen variabelen kan missen.

Betere gels ontwerpen met een plan

Het team hanteerde een strategie die in de geneesmiddelenproductie bekendstaat als Quality by Design, die begint met de vraag: welke kenmerken van het product zijn het belangrijkst voor patiënten en veiligheid, en welke materialen en verwerkingsstappen bepalen die kenmerken? Met een risicoanalysinstrument identificeerden ze drie sleutelvariabelen voor hun carbopol‑gebaseerde emulgels: de hoeveelheid carbopolpolymeer (de belangrijkste verdikker), hoe lang het mengsel wordt geroerd, en hoe snel het wordt geroerd. Ze bereidden vervolgens elf verschillende testgels die deze drie factoren systematisch varieerden, en maten nauwkeurig de resulterende dikte en andere fysische eigenschappen. Deze gestructureerde aanpak creëerde een compact maar informatief dataset dat vastlegt hoe receptuur en procescondities het uiteindelijke gevoel van de gel vormgeven.

Een neuraal netwerk leren het mengsel te lezen

Met deze experimentele gegevens gingen de onderzoekers aan de slag met kunstmatige neurale netwerken, een vorm van machine learning geïnspireerd op hersen‑achtige lagen van verbonden knooppunten. In plaats van het netwerk direct de textuur te laten voorspellen, bleek de krachtigste opzet precies het omgekeerde te doen: het gebruikte gemakkelijk meetbare waarden — roertijd, roersnelheid en geldikte — als invoer en voorspelde de carbopolconcentratie die die waarden waarschijnlijk had veroorzaakt. Door verschillende netwerkgroottes te testen identificeerden ze modellen die nauw aansloten bij de werkelijkheid, met correlatiewaarden die aangaven dat voorspelde en werkelijke carbopolniveaus in meer dan 90 procent van de gevallen overeenkwamen in kruiscontroles. Dat betekende dat het systeem betrouwbaar de ‘receptuur uit het gedrag’ van de gel kon afleiden.

Het digitale recept op de proef stellen

Om te onderzoeken of hun virtuele formulator buiten de initiële labset werkte, testten de auteurs hem met commerciële producten, inclusief bekende pijnstillende emulgels. Ze maten de dikte van deze winkelgekochte gels, voerden die informatie samen met gekozen roertijden en -snelheden in hun beste netwerk in, en kregen een voorspelde carbopolinhoud. Toen ze nieuwe gels maakten met die voorspelde waarden, kwamen de gemeten diktes overeen met de originele producten met een overeenkomst van meer dan 94 procent, en in sommige gevallen bijna perfect. Het model presteerde vooral goed voor dikkere, hoogviskeuze producten, die veel voorkomen in farmaceutische gels en bijzonder gevoelig zijn voor kleine veranderingen in samenstelling en verwerking.

Wat dit betekent voor toekomstige geneesmiddelen

Voor niet‑specialisten is de belangrijkste conclusie dat computers nu genoeg kunnen leren van een relatief kleine set zorgvuldig geplande experimenten om als slimme assistenten in het laboratorium te fungeren. In plaats van herhaaldelijk te gokken en te controleren, kunnen ontwikkelaars van crèmes en gels zulke neurale‑netwerktools gebruiken om rechtstreeks naar veelbelovende recepten te springen die het gewenste gevoel en de gewenste prestaties leveren. Er blijven uitdagingen bestaan — vooral voor zeer dunne producten en voor het uitleggen van het interne functioneren van deze ‘black box’-modellen aan regelgevers — maar de studie toont aan dat datagedreven ontwerp alledaagse geneesmiddelen consistenter en eenvoudiger te ontwikkelen kan maken. Op de lange termijn kan dit soort aanpak helpen om betere topische behandelingen sneller op de markt te brengen, met texturen die zowel op comfort als effectiviteit zijn geoptimaliseerd.

Bronvermelding: 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

Trefwoorden: topische gels, kunstmatige neurale netwerken, geneesmiddelformulering, emulgels, farmaceutische reologie