将人工神经网络作为预测乳凝胶配方流变学性能的策略

为皮肤打造更智能的乳霜与凝胶

从止痛膏到化妆保湿剂，许多日常产品实际上是油、水与增稠剂的复杂混合物。把它们的质地“调到位”——既不过稀也不过硬——通常需要大量实验室中的反复试验。本文探讨了研究人员如何利用人工智能去预测并微调一种常见外用产品——乳凝胶的稠度，进而可能使开发更快、更便宜且更可靠。

质地为何对日常药物很重要

乳凝胶兼具乳霜的顺滑涂抹性和凝胶的结构性。由于它们能在保持油性药物成分的同时仍具有良好的皮肤触感，广泛用于非处方止痛剂和皮肤科产品。它们的性能高度依赖“流变学”性质——简单说，就是流动难易与手感的坚实程度。如果凝胶太稀，它可能从皮肤上流落或无法将药物留在目标部位；如果太稠，则难以涂抹且可能影响药物释放。传统上，制剂师通常一次只改变一种成分或工艺步骤然后测量质地，这一缓慢流程可能忽视变量间的重要相互作用。

有计划地设计更好的凝胶

研究团队采用了药物生产中称为“以质量为设计”（Quality by Design，QbD）的策略，该方法从两个问题入手：哪些产品特性对患者和安全性最重要，哪些材料和工艺步骤控制这些特性？通过风险分析工具，他们为基于卡波姆的乳凝胶确定了三个关键因素：卡波姆聚合物的用量（主要增稠剂）、混合时间以及混合速度。随后他们制备了11种不同的试验凝胶，系统地改变这三项因素，并精确测量所得的粘稠度及其他物理性质。这个有结构的方法产生了一个紧凑但信息量丰富的数据集，捕捉了配方与工艺条件如何塑造最终凝胶手感的规律。

教神经网络“解读”配方

在获得这些实验数据后，研究者转向人工神经网络——一种受大脑启发、由层状连接节点构成的机器学习方法。他们并未直接用网络去预测质地，而是发现更强大的做法是反向操作：以易测得的数值——混合时间、混合速度和凝胶厚度——作为输入，预测产生这些结果所需的卡波姆浓度。通过测试不同规模的网络，他们识别出与实际高度吻合的模型，交叉验证中的相关性表明预测值与实际卡波姆含量在90%以上的情况下达成一致。这意味着该系统可以可靠地“从凝胶的表现推断配方”。

把数字配方付诸实践

为了检验他们的虚拟配方器是否能在初始实验室数据之外工作，作者用市售产品对其进行了挑战，包括知名的止痛乳凝胶。他们测量了这些市售凝胶的厚度，并将这些数据与选定的混合时间和速度输入到最佳网络中，得到预测的卡波姆含量。用这些预测值制备新凝胶后，测得的厚度与原样品高度一致，符合度超过94%，在某些情况下几乎完全吻合。该模型对较稠、高粘度产品的表现尤为优秀，而此类产品在药用凝胶中常见且对成分与工艺的细微变化特别敏感。

这对未来药物意味着什么

对非专业读者来说，主要结论是：计算机现在可以从一套相对较少但精心设计的实验中学习到足够的信息，成为实验室里的智能助手。与其反复试错，乳霜和凝胶的开发者可以使用此类神经网络工具直接跳到有望达到所需手感和性能的配方。尽管仍存在挑战——尤其是对非常稀薄的产品以及向监管方解释这些“黑箱”模型的内部机理——该研究表明，数据驱动的设计能够使日常药物更为一致且更易开发。从长远看，这类方法可能有助于更快将更优的外用治疗产品推向市场，同时优化其舒适度与有效性。

引用: 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

关键词: 外用凝胶, 人工神经网络, 药物配方, 乳凝胶, 药物流变学