Rede neural artificial como estratégia para prever propriedades reológicas em formulações emulgel

Cremes e géis mais inteligentes para sua pele

De cremes analgésicos a hidratantes cosméticos, muitos produtos do dia a dia são na verdade misturas sofisticadas de óleo, água e agentes espessantes. Conseguir a textura “certa” – não muito fluida, nem muito rígida – normalmente exige muito ensaio e erro no laboratório. Este artigo explora como pesquisadores usaram inteligência artificial para prever e ajustar a viscosidade de um tipo popular de produto tópico chamado emulgel, potencialmente tornando o desenvolvimento mais rápido, barato e confiável.

Por que a textura importa em medicamentos de uso cotidiano

Os emulgéis combinam a espalhabilidade suave de um creme com a estrutura de um gel. Eles são amplamente usados em tratamentos analgésicos sem prescrição e em produtos dermatológicos porque podem conter ingredientes oleosos enquanto ainda proporcionam uma sensação agradável na pele. Seu desempenho depende fortemente de propriedades “reológicas” – em termos simples, de quão facilmente eles fluem e de quão firmes parecem. Se um gel for muito ralo, pode escorrer da pele ou não manter o princípio ativo no local necessário. Se for muito espesso, pode ser difícil de espalhar e não liberar o medicamento adequadamente. Tradicionalmente, os formuladores mudam um ingrediente ou etapa do processo de cada vez e então medem a textura, um procedimento lento que pode deixar passar interações importantes entre variáveis.

Projetando géis melhores com um plano

A equipe adotou uma estratégia conhecida na fabricação farmacêutica como Quality by Design (Qualidade por Projeto), que começa perguntando: quais características do produto importam mais para os pacientes e para a segurança, e quais materiais e etapas de processamento controlam essas características? Usando uma ferramenta de análise de risco, eles identificaram três fatores-chave para seus emulgéis à base de carbopol: a quantidade de polímero carbopol (o principal espessante), quanto tempo a mistura é agitada e a velocidade de agitação. Em seguida, prepararam onze géis de teste diferentes que variavam sistematicamente esses três fatores e mediram com cuidado a viscosidade resultante e outras propriedades físicas. Essa abordagem estruturada criou um conjunto de dados compacto, porém informativo, que captura como a receita e as condições de processamento moldam a sensação final do gel.

Ensinando uma rede neural a “ler” a mistura

Com esses dados experimentais em mãos, os pesquisadores recorreram às redes neurais artificiais, um tipo de aprendizado de máquina inspirado em camadas de nós conectados semelhantes ao cérebro. Em vez de usar a rede para prever a textura diretamente, descobriram que a configuração mais poderosa fez o oposto: ela tomou valores fáceis de medir – tempo de mistura, velocidade de mistura e viscosidade do gel – como entradas e previu a concentração de carbopol que provavelmente os produziu. Ao testar diferentes tamanhos de rede, identificaram modelos que correspondiam de perto à realidade, com valores de correlação indicando que os níveis previstos e reais de carbopol concordavam mais de 90% das vezes em validações cruzadas. Isso significava que o sistema podia “inferir a receita a partir do comportamento” do gel de forma confiável.

Testando a receita digital

Para verificar se seu formulador virtual funcionava além do conjunto inicial do laboratório, os autores o desafiaram com produtos comerciais, incluindo emulgéis analgésicos conhecidos. Eles mediram a viscosidade desses géis comprados em loja, inseriram essa informação e tempos e velocidades de mistura escolhidos em sua melhor rede e obtiveram uma previsão do conteúdo de carbopol. Quando produziram novos géis usando esses valores previstos, as viscosidades medidas corresponderam às originais com concordância acima de 94% e, em alguns casos, quase perfeitamente. O modelo teve desempenho especialmente bom para produtos mais espessos e de alta viscosidade, que são comuns em géis farmacêuticos e particularmente sensíveis a pequenas mudanças na composição e no processamento.

O que isso significa para futuros medicamentos

Para não especialistas, a principal conclusão é que computadores agora podem aprender o suficiente a partir de um conjunto relativamente pequeno de experimentos cuidadosamente planejados para agir como assistentes inteligentes no laboratório. Em vez de adotar um ciclo repetido de tentativa e erro, desenvolvedores de cremes e géis podem usar essas ferramentas de redes neurais para saltar diretamente para receitas promissoras que entreguem a textura e o desempenho desejados. Embora ainda existam desafios – especialmente para produtos muito finos e para explicar o funcionamento interno dessas “caixas‑pretas” aos reguladores – o estudo mostra que o desenho baseado em dados pode tornar medicamentos cotidianos mais consistentes e mais fáceis de desenvolver. A longo prazo, esse tipo de abordagem pode ajudar a levar tratamentos tópicos melhores ao mercado mais rapidamente, com texturas otimizadas tanto para conforto quanto para eficácia.

Citação: 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

Palavras-chave: géis tópicos, redes neurais artificiais, formulação de fármacos, emulgéis, reologia farmacêutica