Artificiellt neuralt nätverk som strategi för att förutsäga reologiska egenskaper i emulgel‑formuleringar

Smartare krämer och geler för din hud

Från smärtstillande krämer till kosmetiska fuktgivare är många vardagsprodukter i själva verket avancerade blandningar av olja, vatten och förtjockningsmedel. Att få rätt konsistens – inte för rinnig, inte för fast – kräver vanligtvis mycket trial‑and‑error i labbet. Denna artikel undersöker hur forskare använde artificiell intelligens för att förutsäga och finjustera viskositeten hos en populär typ av topisk produkt kallad emulgel, vilket potentiellt kan göra utvecklingen snabbare, billigare och mer pålitlig.

Varför textur är viktigt i vardagliga läkemedel

Emulgeler kombinerar en krämig spridbarhet med en gels struktur. De används i stor utsträckning i receptfria smärtbehandlingar och dermatologiska produkter eftersom de kan bära oljebaserade läkemedelsingredienser samtidigt som de känns behagliga på huden. Deras prestanda beror starkt på reologiska egenskaper – enkelt uttryckt hur lätt de flyter och hur fasta de känns. Om en gel är för tunn kan den rinna av huden eller misslyckas med att hålla läkemedlet där det behövs. Om den är för tjock kan den vara svår att breda ut och kanske inte frisätter läkemedlet korrekt. Traditionellt ändrar formulerare en ingrediens eller ett bearbetningssteg i taget och mäter sedan texturen, en långsam process som kan missa viktiga interaktioner mellan variabler.

Att utforma bättre geler med en plan

Teamet använde en strategi känd inom läkemedelstillverkning som Quality by Design, som börjar med att fråga: vilka egenskaper hos produkten är viktigast för patienter och säkerhet, och vilka material och bearbetningssteg styr dessa egenskaper? Med hjälp av ett riskanalysverktyg identifierade de tre nyckelfaktorer för sina karbopol‑baserade emulgeler: mängden karbopolpolymer (huvudförtjockningsmedlet), hur länge blandningen omrörs och hur snabbt den omrörs. De framställde sedan elva olika testgeler som systematiskt varierade dessa tre faktorer och mätte noggrant den resulterande viskositeten och andra fysikaliska egenskaper. Detta strukturerade tillvägagångssätt skapade en kompakt men informativ datamängd som fångar hur recept och processparametrar formar gelens slutliga känsla.

Att lära ett neuralt nätverk att läsa blandningen

Med dessa experimentdata i handen vände sig forskarna till artificiella neurala nätverk, en typ av maskininlärning inspirerad av hjärnliknande lager av sammankopplade noder. Istället för att använda nätverket för att förutsäga textur direkt fann de att den mest kraftfulla uppställningen gjorde motsatsen: den tog lätt mätbara värden – omrörningstid, omrörningshastighet och gelviskositet – som indata och förutsade den karbopolkoncentration som måste ha producerat dem. Genom att testa olika nätverksstorlekar identifierade de modeller som stämde väl överens med verkligheten, med korrelationsvärden som visade att förutspådda och faktiska karbopolnivåer överensstämde mer än 90 procent av tiden i korsvalideringar. Det innebar att systemet pålitligt kunde ”sluta sig till receptet från gelens beteende”.

Att pröva det digitala receptet

För att se om deras virtuella formulerare fungerade utanför den ursprungliga labbuppsättningen utmanade författarna den med kommersiella produkter, inklusive välkända smärtstillande emulgeler. De mätte viskositeten hos dessa köpta geler, matade in den informationen tillsammans med valda omrörningstider och hastigheter i sitt bästa nätverk och erhöll en förutspådd karbopolhalt. När de framställde nya geler med dessa förutspådda värden matchade de uppmätta viskositeterna originalen med över 94 procent överensstämmelse, och i vissa fall nästan perfekt. Modellen presterade särskilt väl för tjockare, högviskösa produkter, som är vanliga i farmaceutiska geler och särskilt känsliga för små förändringar i sammansättning och bearbetning.

Vad detta innebär för framtida läkemedel

För icke‑specialister är huvudslutsatsen att datorer nu kan lära sig tillräckligt mycket från en relativt liten uppsättning noggrant planerade experiment för att fungera som smarta assistenter i labbet. Istället för att upprepade gånger gissa och testa kan utvecklare av krämer och geler använda sådana neurala nätverksverktyg för att hoppa direkt till lovande recept som ger önskad känsla och prestanda. Även om det fortfarande finns utmaningar – särskilt för mycket tunna produkter och för att förklara hur dessa ”black box”‑modeller fungerar för tillsynsmyndigheter – visar studien att datadriven design kan göra vardagliga läkemedel mer konsekventa och lättare att utveckla. På lång sikt kan denna typ av tillämpning hjälpa till att få fram bättre topiska behandlingar snabbare, med texturer som optimeras för både komfort och effektivitet.

Citering: 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

Nyckelord: topiska geler, artificiella neurala nätverk, läkemedelsformulering, emulgel, farmaceutisk reologi