机器学习+分子模拟：预测清洁卸妆性能助力开发新品

机器学习技术是人工智能技术中分析数据的方法之一，计算机从数据中反复学习并找到其中包含的模式。分子模拟技术是通过计算机再现原子和分子在虚拟空间的运动，在分子水平上分析物理现象的方法。

在近期的一项由麒麟控股、FANCL株式会社和庆应义塾大学合作展开的研究中，就结合了机器学习和分子模拟技术，应用在了高卸妆功能的洁面剂的产品开发中。研究人员通过学习包含洁面剂原料和洁面剂卸妆性能的数据，预测未知洁面剂的卸妆性能，从而针对新型洁面剂的开发过程进行了研究。

根据FANCL积累的实验数据，可以构建一个系统，该系统可以迅速准确地预测洁面剂的卸妆性能。利用这一成果，可以将卸妆液和洗面奶的功能统一起来，减少清洁时间，节约用水，并减少对环境的影响。清洁能力预测系统也可以揭示哪些成分更有利于清洁。在2022年9月20日至9月22日举行的第32届IFSCC伦敦国际大会上，FANCL和庆应大学联合展示了这项研究成果。

本期配方栏目，特整理了这项研究成果，一探数字技术在美妆开发中的广泛应用潜力。

研究背景和目标

FANCL在清洁剂方面进行了各种各样的研究。近年来，为了满足女性进入职场后缩短工作时间的需要，以及社会对减少环境影响的认识不断提高，FANCL开始研发一种水基洁面剂，将卸妆液和洗面奶的功能结合在一个产品中。通过在产品开发过程中采用机器学习和分子模拟技术，FANCL与麒麟控股、庆应义塾大学进行了联合研究，希望在无限多的可能组合中，迅速找到具有高卸妆性能的化妆品成分的最佳组合，并将创新产品推向市场。

研究方法和结果

从2016年以来，FANCL利用市售的防水眼线笔和人造皮革，计算了化妆品污渍的去除率，并通过计算清洁率，积累了500多个实际测量数据。在该研究中，这些数据被利用到麒麟控股的机器学习技术中，创建了一个预测卸妆液性能的系统。

图1. AI预测的和测量的清洁率的比较

除了关于清洁剂成分和清洁率的数据外，还利用成分数据库，对于从所用成分的分子结构中获得的信息，比如链长和分子大小等进行了量化，并加入到机器学习技术中，高精确度地预测清洁率（决定系数 R2 = 0.765，见图1）。

AI机器学习技术

麒麟控股有限公司是一家在日本和全球范围内经营食品和饮料、药品和健康科学的国际公司。麒麟控股的起源可以追溯到1885年成立的日本啤酒厂。日本啤酒厂于1907年成为麒麟啤酒厂。此后，该公司以发酵和生物技术为核心技术扩大业务，并在20世纪80年代进入制药业务，继续成为全球增长的核心。2007年，麒麟控股作为一个纯粹的控股公司成立，目前正专注于提升其健康科学领域。

麒麟控股一直在积累机器学习技术的知识，通过开发Brewing Takumi AI机器学习啤酒开发支持系统和其他方法，支持啤酒新产品的开发，以极大地提高运营效率，在创造的时间内创造价值。麒麟控股也希望通过机器学习技术来开发清洁剂，以高效的方式开发高功能产品，在大量的化妆品原料及其配伍中找到最优解。

探索最佳配方

利用研究构建的清洁率预测系统，麒麟控股的机器学习技术在计算机上进行了10万次计算。结果显示，在表面活性剂中，FANCL的专有成分 eicosaglycerol hexacaprylate（EH）具有较好的卸妆性能。

EH的INCI名是聚甘油-20 六辛酸酯，一种被归类为非离子表面活性剂的清洁成分，FANCL最初开发的一种原料，已被用于温和洁面油等产品。它与某些成分如PPG-9 二聚甘油醚，以及环己基甘油等保湿剂的组合往往有助于提高清洁率（图2）。这两款保湿成分能与皮肤很好地融合，有很高的保湿效果，且几乎没有粘性。

图2 . 按表面活性剂-保湿剂组合预测的清洁率趋势

研究人员根据100,000次计算的结果，创建了一个具有较好预测清洁率的原型洁面剂，其中含有上述成分，并评估了其卸妆性能。预测的清洁率和实际的清洁率基本相符。如图3所示，该模型洁面剂被证实不仅对各种类型的化妆品有较高的清洁性能，而且对各种类型的污垢如皮脂和脏污也有较高的清洁性能。

图3. 模型清洗剂对各种污渍的清洗效果

左上图为眼线笔、薄膜睫毛膏、口红、奶油粉底、红色皮脂和泥浆污渍；右图为清洁后的图片

分子模拟技术，揭示洁面机制

庆应大学的分子模拟技术被纳入其中，以进一步提高预测的准确性。清洁剂的卸妆性能，被认为受到所使用的表面活性剂分子结构，以及形成表面活性剂的聚合结构和其在污垢上的吸附状态的强烈影响。

庆应义塾大学使用一种称为DPD方法的分子模拟技术，在计算机上模拟清洁剂混合物的结构和行为。DPD方法是分子模拟的一种类型，通过在一定程度上将原子和分子作为一个单一的群体，可以再现比传统分子模拟更多的多成分和复杂的混合系统的现象。

在模拟了100多个配方后，发现实际的清洁率与污垢如何被吸收的模拟结果之间存在关联。

很明显，高清洁率和低清洁率的清洁剂在水中形成的结构存在特征性差异（图4）。可以看出，高清洁率的清洗剂（右）比低清洁率的清洗剂（左）具有更复杂的结构。研究人员计划在未来将把从分子模拟结果中获得的数据纳入机器学习，以提高清洁率预测系统的准确性，并研究其实际应用。

图4 . 用DPD方法进行分子模拟的结果
在计算机上模拟的清洁剂中的成分形成的结构实例

未来可能

FANCL计划把从分子模拟中获得的信息添加到机器学习中，以提高预测的准确性，并根据这项研究的结果，考虑将具有高卸妆功能的清洁剂商业化。此外，该研究将继续进行，以期在未来将使用人工智能技术的产品开发过程横向扩展到其他产品的开发。

麒麟控股认为，机器学习技术、模拟技术以及两者结合的技术的使用，可以在包括健康科学业务在内的各种业务的研发中广泛部署。展望未来，基于从这项研究中获得的知识，麒麟控股的目标是进一步建立研发基础，挖掘新价值。

参考来源：
1.ファンケル.キリン.慶應義塾大学の共同研究で ＡＩ技術を用いた新たな洗浄剤開発プロセスを検討 高いメイク落とし機能を有する洗浄剤の製品開発へ応用
2.Yokoyama, T. et. al. (2023). Reproduction of super-multicomponent self-assembled structures and their functionality using coarse-grained molecular simulation - the example of cleansing foams. Molecular Systems Design & Engineering

来源：荣格-《国际个人护理品生产商情》

原创声明：
本站所有原创内容未经允许，禁止任何网站、微信公众号等平台等机构转载、摘抄，否则荣格工业传媒保留追责权利。任何此前未经允许，已经转载本站原创文章的平台，请立即删除相关文章。