Искусственная нейронная сеть как стратегия прогнозирования реологичеcких свойств в формулах эмульгелей

Более умные кремы и гели для вашей кожи

От обезболивающих кремов до косметических увлажнителей — многие повседневные продукты на самом деле представляют собой сложные смеси масла, воды и загустителей. Добиться «правильной» текстуры — не слишком жидкой и не чрезмерно густой — обычно получается лишь после множества лабораторных проб и ошибок. В этой статье рассматривается, как учёные использовали искусственный интеллект для прогнозирования и точной настройки вязкости популярного типа местного продукта под названием эмульгель, что потенциально делает разработку быстрее, дешевле и надёжнее.

Почему текстура важна в повседневных лекарственных средствах

Эмульгели сочетают гладкое распределение крема с внутренней структурой геля. Их широко используют в безрецептурных обезболивающих и дерматологических средствах, поскольку они способны удерживать масляные лекарственные ингредиенты и при этом приятно ощущаться на коже. Их эффективность во многом определяется реологическими свойствами — проще говоря, тем, как легко они текут и насколько плотными кажутся. Если гель слишком жидкий, он может стекать с кожи или не удерживать препарат в нужном месте. Если он слишком густой, его трудно распределять, и он может неправильно высвобождать лекарственное вещество. Традиционно формуляторы меняют по одному компоненту или этапу обработки и затем измеряют текстуру — это медленный процесс, который может упускать важные взаимодействия между переменными.

Проектирование лучших гелей с планом

Команда применила стратегию, известную в производстве лекарств как Quality by Design, которая начинается с вопросов: какие характеристики продукта наиболее важны для пациентов и безопасности, и какие материалы и этапы обработки контролируют эти характеристики? С помощью инструмента анализа рисков они выделили три ключевых фактора для своих эмульгелей на основе карбопола: количество полимера карбопол (основного загустителя), продолжительность смешивания и скорость смешивания. Затем они приготовили одиннадцать различных тестовых гелей, систематически варьируя эти три фактора, и тщательно измерили получившуюся вязкость и другие физические свойства. Такой структурированный подход создал компактный, но информативный набор данных, отражающий то, как рецепт и условия процесса формируют окончательное ощущение геля.

Обучение нейронной сети «читать» смесь

Обладая этими экспериментальными данными, исследователи обратились к искусственным нейронным сетям — типу машинного обучения, вдохновлённому слоями связанных узлов, подобными мозговым. Вместо того чтобы использовать сеть для прямого прогнозирования текстуры, они обнаружили, что наиболее мощная конфигурация делает обратное: она берёт легко измеряемые значения — время смешивания, скорость смешивания и толщину геля — как входные данные и предсказывает концентрацию карбопола, которая, должно быть, привела к таким значениям. Тестируя сети разного размера, они выделили модели, которые тесно соответствовали реальности; коэффициенты корреляции показали, что предсказанные и фактические уровни карбопола совпадали более чем в 90% случаев при перекрёстной проверке. Это означало, что система надёжно «выводила рецепт по поведению» геля.

Испытание цифрового рецепта на практике

Чтобы проверить, работал ли их виртуальный формулятор за пределами первоначального лабораторного набора, авторы испытали его на коммерческих продуктах, включая известные обезболивающие эмульгели. Они измерили вязкость этих купленных в магазине гелей, подали эту информацию вместе с выбранными временем и скоростью смешивания в их лучшую сеть и получили предсказанное содержание карбопола. Когда они приготовили новые гели, используя эти предсказанные значения, измеренные вязкости совпали с оригиналами более чем на 94%, а в некоторых случаях — почти идеально. Модель особенно хорошо показала себя для более густых, высокой вязкости продуктов, которые распространены в фармацевтических гелях и особенно чувствительны к небольшим изменениям состава и обработки.

Что это значит для будущих лекарств

Для неспециалистов главный вывод таков: компьютеры теперь могут научиться достаточно многому, исходя из относительно небольшой серии тщательно спланированных экспериментов, чтобы выступать в роли умных помощников в лаборатории. Вместо многократных попыток методом проб и ошибок разработчики кремов и гелей могут использовать такие инструменты на основе нейронных сетей, чтобы сразу переходить к перспективным рецептурам, обеспечивающим желаемую текстуру и эффективность. Хотя остаются вызовы — особенно для очень жидких продуктов и в части объяснения внутренней работы этих «чёрных ящиков» регуляторам — исследование демонстрирует, что проектирование, основанное на данных, может сделать повседневные лекарства более стабильными и проще в разработке. В долгосрочной перспективе такой подход может помочь быстрее выпускать на рынок лучшие местные препараты с текстурами, оптимизированными и для комфорта, и для эффективности.

Цитирование: 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

Ключевые слова: топические гели, искусственные нейронные сети, фармацевтические формы, эмульгели, фармацевтическая реология