Emulgel formülasyonlarında reolojik özellikleri tahmin etme stratejisi olarak yapay sinir ağı

Cildiniz için Daha Akıllı Kremler ve Jeller

Ağrı kesici kremlerden kozmetik nemlendiricilere kadar birçok günlük ürün aslında yağ, su ve kıvam arttırıcı ajanların sofistike karışımlarıdır. Dokusunu “tam kararında” tutmak — ne çok akışkan ne çok sert — genellikle laboratuvarda çok sayıda deneme yanılma gerektirir. Bu makale, araştırmacıların emulgel adı verilen popüler bir topikal ürün türünün kıvamını yapay zekâ ile nasıl tahmin edip ince ayar yaptıklarını inceleyerek geliştirmeyi potansiyel olarak daha hızlı, daha ucuz ve daha güvenilir hale getirebileceğini gösteriyor.

Günlük İlaçlarda Dokunun Neden Önemli Olduğu

Emulgel'ler krem benzeri yayılma ile jel benzeri yapıyı birleştirir. Yağlı etken maddeleri tutarken cilt üzerinde hoş bir his bırakabildikleri için reçetesiz satılan ağrı tedavilerinde ve dermatolojik ürünlerde yaygın olarak kullanılırlar. Performansları büyük ölçüde “reolojik” özelliklere bağlıdır — basitçe söylemek gerekirse, ne kadar kolay aktıkları ve ne kadar sıkı hissettirdikleridir. Bir jel çok inceyse ciltten akabilir veya ilacı gerektiği yerde tutamayabilir. Çok kalınsa yaymak zor olabilir ve ilacı uygun şekilde salmayabilir. Geleneksel olarak formülatörler bir seferde bir bileşeni veya işlem adımını değiştirir ve sonra dokuyu ölçer; bu yavaş bir süreç olup değişkenler arasındaki önemli etkileşimleri gözden kaçırabilir.

Daha İyi Jelleri Planlayarak Tasarlamak

Ekip, İlaç Üretiminde Kalite Tasarımı (Quality by Design) olarak bilinen bir strateji benimsedi; bu strateji öncelikle ürünün hangi özelliklerinin hasta ve güvenlik açısından en önemli olduğunu ve bu özellikleri hangi malzemelerin ve işlem adımlarının kontrol ettiğini sorar. Bir risk analizi aracı kullanarak karbopol bazlı emulgel'leri için üç temel faktörü belirlediler: ana kıvam arttırıcı olan karbopol polimer miktarı, karışımın ne kadar süre karıştırıldığı ve karıştırma hızı. Ardından bu üç faktörü sistematik olarak değiştirerek on bir farklı test jel hazırladılar ve ortaya çıkan kıvam ve diğer fiziksel özellikleri dikkatle ölçtüler. Bu yapılandırılmış yaklaşım, tarif ve işlem koşullarının jelın son dokusunu nasıl şekillendirdiğini yakalayan kompakt ama bilgilendirici bir veri seti yarattı.

Karışımı Okuması İçin Bir Sinir Ağı Eğitmek

Bu deneysel verilerle araştırmacılar, bağlantılı düğümlü beyin benzeri katmanlardan esinlenen bir makine öğrenimi türü olan yapay sinir ağlarına yöneldiler. Ağın dokuyu doğrudan tahmin etmesi yerine, en güçlü düzenlemenin tersini yaptıklarını buldular: kolayca ölçülebilen değerleri — karıştırma süresi, karıştırma hızı ve jel kıvamı — girdi olarak alıp bu değerleri üretmiş olması gereken karbopol konsantrasyonunu tahmin ettiler. Farklı ağ boyutlarını test ederek, tahmin edilen ve gerçek karbopol seviyelerinin çapraz doğrulamalarda yüzde 90’ın üzerinde bir uyum gösterdiğini belirleyen modelleri tespit ettiler. Bu, sistemin jelin “davranışından tarifini güvenilir şekilde çıkarabileceği” anlamına geliyordu.

Dijital Tarifi Sınamaya Koymak

Sanal formülatörlerinin başlangıç laboratuvar setinin ötesinde işe yarayıp yaramadığını görmek için yazarlar, iyi bilinen ağrı kesici emulgel'ler dahil olmak üzere ticari ürünlerle sistemi zorladılar. Bu mağazadan satın alınan jellerin kıvamını ölçtüler, elde ettikleri bilgiyi ve seçtikleri karıştırma süreleri ile hızlarını en iyi ağlarına girdiler ve öngörülen bir karbopol içeriği elde ettiler. Bu öngörülen değerleri kullanarak yeni jeller yaptıklarında, ölçülen kıvamlar orijinalleriyle yüzde 94’ün üzerinde uyuştu ve bazı durumlarda neredeyse mükemmel eşleşme sağlandı. Model özellikle daha kalın, yüksek viskoziteli ürünlerde iyi performans gösterdi; bu tür ürünler farmasötik jellerde yaygındır ve bileşim ile işlemdeki küçük değişikliklere karşı özellikle hassastır.

Geleceğin İlaçları İçin Anlamı

Uzman olmayanlar için ana çıkarım şudur: bilgisayarlar artık nispeten küçük, iyi planlanmış bir deney setinden laboratuvarda akıllı asistanlar gibi davranmak için yeterli bilgiyi öğrenebiliyor. Tekrarlı tahmin ve kontrol yerine krem ve jel geliştiricileri, istenen his ve performansı sunan umut verici tariflere doğrudan atlamalarına yardımcı olacak bu tür sinir ağı araçlarını kullanabilirler. Hâlâ zorluklar var — özellikle çok ince ürünlerde ve bu “kara kutu” modellerin iç işleyişini düzenleyicilere açıklamakta — ancak çalışma veri odaklı tasarımın günlük ilaçları daha tutarlı ve geliştirmeyi daha kolay hale getirebileceğini gösteriyor. Uzun vadede bu tür bir yaklaşım, konfor ve etkinlik için optimize edilmiş dokularla daha iyi topikal tedavilerin piyasaya daha hızlı gelmesine yardımcı olabilir.

Atıf: 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

Anahtar kelimeler: topikal jeller, yapay sinir ağları, ilaç formülasyonu, emulgel'ler, farmasötik reoloji