Sztuczna sieć neuronowa jako strategia przewidywania właściwości reologicznych w formulacjach emulgeli

Mądrzejsze kremy i żele dla Twojej skóry

Od kremów przeciwbólowych po kosmetyczne nawilżacze — wiele codziennych produktów to w istocie zaawansowane mieszaniny oleju, wody i substancji zagęszczających. Uzyskanie odpowiedniej konsystencji — nie za rzadkiej, nie za gęstej — zwykle wymaga dużej liczby prób w laboratorium. W artykule opisano, jak badacze wykorzystali sztuczną inteligencję do przewidywania i dostrajania gęstości popularnego typu produktu miejscowego zwanego emulgelem, co może przyspieszyć, obniżyć koszty i zwiększyć niezawodność prac rozwojowych.

Dlaczego tekstura ma znaczenie w codziennych lekach

Emulgels łączą gładkie rozprowadzanie kremu ze strukturalną spójnością żelu. Są szeroko stosowane w preparatach przeciwbólowych dostępnych bez recepty oraz w produktach dermatologicznych, ponieważ potrafią utrzymać oleiste składniki czynne, a jednocześnie sprawiać przyjemne wrażenie na skórze. Ich działanie zależy w dużym stopniu od właściwości „reologicznych” — mówiąc prościej, od tego, jak łatwo płyną i jak miękko lub twardo się czują. Jeśli żel jest zbyt rzadki, może spływać ze skóry lub nie utrzymać leku w miejscu działania. Jeśli jest zbyt gęsty, trudno go rozsmarować i może niewłaściwie uwalniać substancję czynną. Tradycyjnie formulatorzy zmieniają po kolei składnik lub etap przetwarzania, a potem mierzą teksturę — to powolny proces, który może przeoczyć istotne interakcje między zmiennymi.

Projektowanie lepszych żeli według planu

Zespół przyjął strategię znaną w produkcji farmaceutycznej jako Quality by Design (Jakość przez Projektowanie), która zaczyna się od pytania: które cechy produktu mają największe znaczenie dla pacjentów i bezpieczeństwa, oraz które materiały i etapy przetwarzania je kontrolują? Korzystając z narzędzia analizy ryzyka, zidentyfikowali trzy kluczowe czynniki dla swoich emulgeli na bazie karbopolu: ilość polimeru karbopolowego (głównego zagęszczacza), czas mieszania oraz prędkość mieszania. Przygotowali następnie jedenaście różnych testowych żeli, które systematycznie zmieniały te trzy czynniki, i dokładnie zmierzyli powstałą gęstość oraz inne właściwości fizyczne. Takie uporządkowane podejście stworzyło zwarty, ale informacyjny zbiór danych, który odzwierciedla, jak receptura i warunki procesu kształtują ostateczne odczucie żelu.

Nauczanie sieci neuronowej interpretowania mieszanki

Mając te dane eksperymentalne, badacze zwrócili się ku sztucznym sieciom neuronowym — rodzajowi uczenia maszynowego inspirowanemu warstwami połączonych węzłów przypominających mózg. Zamiast używać sieci do bezpośredniego przewidywania tekstury, odkryli, że najskuteczniejsza konfiguracja działa odwrotnie: jako wejścia przyjmowała łatwe do zmierzenia wartości — czas mieszania, prędkość mieszania i grubość żelu — i przewidywała stężenie karbopolu, które musiało je wywołać. Testując różne rozmiary sieci, zidentyfikowali modele bardzo dobrze zgadzające się z rzeczywistością, z wartościami korelacji wskazującymi, że przewidywane i rzeczywiste poziomy karbopolu zgadzały się w ponad 90 procentach przypadków podczas weryfikacji krzyżowej. Oznaczało to, że system mógł niezawodnie „wywnioskować recepturę na podstawie zachowania” żelu.

Sprawdzanie cyfrowej receptury w praktyce

Aby sprawdzić, czy ich wirtualny formulator działa poza początkowym zestawem laboratoryjnym, autorzy poddali go testowi produktami komercyjnymi, w tym znanymi emulgeli przeciwbólowymi. Zmierzyli gęstość tych gotowych żeli, wprowadzili te pomiary oraz wybrane czasy i prędkości mieszania do swojej najlepszej sieci i otrzymali przewidywane stężenie karbopolu. Kiedy sporządzili nowe żele używając tych przewidywanych wartości, zmierzone gęstości zgadzały się z oryginałami w ponad 94 procentach, a w niektórych przypadkach niemal idealnie. Model radził sobie szczególnie dobrze w przypadku gęstszych, o wysokiej lepkości produktów, które są powszechne w żelach farmaceutycznych i szczególnie wrażliwe na drobne zmiany składu i procesu.

Co to oznacza dla przyszłych leków

Dla osób niezwiązanych z branżą główny wniosek jest taki, że komputery potrafią dziś wyciągnąć wystarczająco dużo wniosków z relatywnie niewielkiego zestawu starannie zaplanowanych eksperymentów, aby pełnić rolę inteligentnych asystentów w laboratorium. Zamiast wielokrotnego zgadywania i sprawdzania, twórcy kremów i żeli mogą używać takich narzędzi opartych na sieciach neuronowych, by szybko przejść do obiecujących receptur zapewniających pożądane odczucia i działanie. Wciąż istnieją wyzwania — zwłaszcza dla bardzo rzadkich produktów oraz w kwestii wyjaśnialności wewnętrznych mechanizmów tych „czarnych skrzynek” regulatorom — jednak badanie pokazuje, że projektowanie oparte na danych może uczynić codzienne leki bardziej spójnymi i łatwiejszymi do opracowania. W dłuższej perspektywie takie podejście może pomóc szybciej wprowadzać na rynek lepsze preparaty miejscowe o teksturze zoptymalizowanej pod kątem komfortu i skuteczności.

Cytowanie: 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

Słowa kluczowe: żele do stosowania miejscowego, sztuczne sieci neuronowe, formulacja leku, emulgels, reologia farmaceutyczna