Uncovering sustainable personal care ingredient combinations using scientific modelling

Diese Studie stellt einen bahnbrechenden Ansatz vor, der mithilfe von Vorhersagemodellen und simulationsbasierten digitalen Dienstleistungen natürliche Inhaltsstoffkombinationen identifiziert, um synthetische Alternativen in der Kosmetikindustrie unter Beibehaltung von Leistung und Kosten zu ersetzen.

Das Wesentliche

Titel: Wie ein digitaler Detektiv die Kosmetik-Industrie rettet

Stellen Sie sich vor, Sie sind ein Koch, der ein berühmtes Gericht kocht. Das Originalrezept enthält jedoch Zutaten, die verboten sind oder die niemand mehr essen möchte – sagen wir, ein spezielles, künstliches Öl, das zwar den Geschmack perfekt macht, aber schlecht für die Umwelt ist. Ihre Aufgabe? Finden Sie eine natürliche Alternative, die genau so schmeckt, genau so fühlt sich an und genauso günstig ist, aber aus 100 % natürlichen Zutaten besteht.

Das ist genau das Problem, mit dem Kosmetikhersteller (wie BASF) heute kämpfen. Sie müssen synthetische Inhaltsstoffe wie Silikone oder Mineralöle durch natürliche ersetzen. Aber woher wissen sie, welche pflanzlichen Öle oder Tenside die perfekte Mischung ergeben?

Das Problem: Die Suche nach der Nadel im Heuhaufen

Früher haben Chemiker und Produktentwickler (die „Köche" der Kosmetik) das Problem mit der Versuchs-und-Irrtum-Methode gelöst. Sie haben einfach verschiedene natürliche Öle gemischt, getestet, geschmeckt, gerochen und wieder verworfen.

• Das Problem: Es gibt Tausende von natürlichen Zutaten. Die richtige Kombination zu finden, ist wie die Suche nach einer einzigen, winzigen Nadel in einem riesigen Heuhaufen. Das kostet Jahre, viel Geld und am Ende hat man vielleicht immer noch nicht das perfekte Ergebnis.

Die Lösung: Ein digitaler Assistent mit „Kochbuch"-Intelligenz

In diesem Papier stellen die Autoren eine revolutionäre neue Methode vor: Wissenschaftliches Modellieren und Künstliche Intelligenz (KI).

Stellen Sie sich vor, sie haben einen super-smarten digitalen Assistenten entwickelt, der nicht nur rechnet, sondern „versteht", wie Zutaten funktionieren. Dieser Assistent nutzt zwei Hauptwerkzeuge:

1. Der „Zutaten-Rechner" (Mathematische Modelle):
   Dieser Teil funktioniert wie ein präzises Rezeptbuch. Er weiß genau, wie sich eine Zutat verhält (z. B. wie ölig sie ist, wie sie auf der Haut glänzt). Wenn man drei verschiedene natürliche Öle mischt, berechnet er vorher, wie sich die Mischung anfühlt, noch bevor man sie überhaupt in ein Mischgefäß gibt.

   • Die Analogie: Es ist, als würde ein Computer vorhersagen, wie eine Suppe schmeckt, wenn man 10% Karotten, 20% Sellerie und 70% Kartoffeln nimmt, ohne die Suppe tatsächlich zu kochen.

2. Der „Lernende Assistent" (Maschinelles Lernen):
   Für komplexere Mischungen, bei denen viele Zutaten gleichzeitig interagieren, nutzt der Assistent KI. Diese KI hat Tausende von alten Rezepten und Testdaten „gelernt". Sie erkennt Muster, die für das menschliche Auge unsichtbar sind.

   • Die Analogie: Ein erfahrener Koch, der nach 20 Jahren Erfahrung intuitiv weiß: „Wenn ich dieses spezielle Öl mit diesem anderen kombiniere, wird es genau so seidig wie das alte Silikon." Die KI macht das in Sekunden für Tausende von Kombinationen.

Was haben sie herausgefunden? (Die Ergebnisse)

Die Autoren haben ihren digitalen Assistenten getestet, um drei große Probleme zu lösen:

• Problem 1: Der Ersatz von Silikon-Ölen (Cyclopentasiloxane).
  Viele Make-up-Entferner nutzen Silikon, weil es leicht und schnell verdunstet. Die KI fand eine Mischung aus drei natürlichen Ölen (Coco-Caprylate, Undecane und Dicaprylyl Ether), die sich auf der Haut genau so anfühlt wie das Silikon.

  • Das Ergebnis: Ein Make-up-Entferner, der zu 100 % natürlich ist, aber genauso gut abwascht und sich genauso gut anfühlt wie das alte Produkt.

• Problem 2: Der Ersatz von Dimethicon (für Hautpflege).
  Dimethicone machen Cremes glatt und verhindern, dass sie schäumen. Die KI schlug eine Mischung aus pflanzlichen Carbonaten und Ethern vor.

  • Das Ergebnis: Eine Hautcreme, die nicht schäumt (was bei natürlichen Cremes oft ein Problem ist) und sich genauso seidig anfühlt wie die Version mit Silikon.

• Problem 3: Der Ersatz von synthetischen Waschschaum-Stoffen (Shampoos).
  In Shampoos sorgen synthetische Tenside für den perfekten Schaum. Die KI fand eine Mischung aus zwei natürlichen Zutaten (Lauryl Glucoside und Sodium Cocoyl Glutamate).

  • Das Ergebnis: Ein Shampoo, das genauso viel und stabilen Schaum macht wie das Original, aber ohne synthetische Chemie.

Warum ist das so wichtig?

Stellen Sie sich vor, Sie müssten ein neues Auto bauen, das umweltfreundlich ist, aber genauso schnell fährt wie ein Sportwagen. Früher hätten Sie Jahre lang Prototypen gebaut und zerstört. Mit dieser digitalen Methode können die „Köche" der Kosmetikindustrie:

1. Zeit sparen: Statt Jahre zu suchen, finden sie die Lösung in Tagen oder Wochen.
2. Geld sparen: Weniger teure Labortests.
3. Nachhaltigkeit: Sie können schnell Produkte auf den Markt bringen, die die Umwelt schonen, ohne dass die Qualität leidet.

Fazit

Dieses Papier zeigt, dass wir nicht mehr blind raten müssen, wie wir Kosmetik nachhaltiger machen können. Durch den Einsatz von digitalen Werkzeugen und KI können wir die „Nadel im Heuhaufen" finden. Es ist, als hätte die Kosmetik-Industrie einen unsichtbaren, super-intelligenten Assistenten bekommen, der uns sagt: „Mischen Sie genau diese drei natürlichen Zutaten in diesem Verhältnis, und Sie erhalten das perfekte, grüne Produkt."

Das ist der Schlüssel, um die Zukunft der Schönheit nachhaltig, schnell und ohne Kompromisse bei der Qualität zu gestalten.

Technische Zusammenfassung

Technische Zusammenfassung: Aufdeckung nachhaltiger Kombinationen für persönliche Pflegeprodukte mittels wissenschaftlicher Modellierung

Autoren: Sandip Bhattacharya, Vanessa da Silva Freitas, Christina Kohlmann (BASF Personal Care and Nutrition GmbH)

1. Problemstellung

Die Personal-Care-Branche steht vor einer massiven Herausforderung: Die Notwendigkeit, synthetische und nicht biologisch abbaubare Inhaltsstoffe (wie Silikone, Mineralöle und sulfatierte Tenside) durch natürliche Alternativen zu ersetzen, ohne dabei Leistung oder Kosten zu beeinträchtigen.

• Regulatorischer Druck: Die EU hat den Einsatz bestimmter Cyclosiloxane (D4, D5, D6) in Spül- und Pflegeprodukten verboten bzw. eingeschränkt (bis Juni 2027).
• Marktdruck: Verbraucher fordern zunehmend natürliche Inhaltsstoffe mit der gleichen sensorischen und funktionellen Performance wie synthetische Produkte.
• Das „Nadel-im-Heuhaufen"-Problem: Der traditionelle Ansatz von Formulierungsexperten, der auf Trial-and-Error und manueller Erfahrung basiert, ist zeitaufwendig, kostspielig und ineffizient. Er birgt das Risiko, potenziell hervorragende, aber ungetestete natürliche Lösungen zu übersehen.

2. Methodik

Die Autoren stellen einen digitalen Ansatz vor, der wissenschaftliche Modellierung, Simulation und maschinelles Lernen (ML) nutzt, um optimale natürliche Inhaltsstoffkombinationen vorherzusagen. Der Ansatz basiert auf der Unterscheidung zwischen „Signal" (intrinsische Eigenschaft) und „Rauschen" (Messfehler/Umgebungseinflüsse), um robuste Modelle zu entwickeln, die nicht überangepasst (Overfitting) sind.

Die Methodik gliedert sich in drei Hauptebenen:

• A. Einfache mathematische Modellierung (Mischungsmodelle):

  • Für einzelne Inhaltsstoffe (z. B. Emollientien oder Tenside) werden physikochemische Eigenschaften (Polarität, Viskosität, Oberflächenspannung) und sensorische Attribute (z. B. pudrig, silikonartig) als Vektoren definiert.
  • Die Eigenschaften einer Mischung ($prop_{mix}$) werden als Funktion der Komponentenanteile ($x_n$) und der Einzelkomponenten-Eigenschaften ($prop_n$) modelliert: $prop_{mix} = f(x_n, prop_n)$.
  • Diese Modelle (polynomial, exponentiell oder logarithmisch) erreichen eine Vorhersagegenauigkeit von über 95 % auf unbekannten Testdaten.

• B. Ziel-Optimierung (Benchmarking):

  • Das Ziel ist die Minimierung des Fehlers $\Delta$ zwischen den Eigenschaften einer Referenz (z. B. Silikon D5) und der vorhergesagten natürlichen Mischung: $\Delta = |prop_{benchmark} - prop_{mix}|^2$.
  • Dies wird als Least-Squares-Optimierungsproblem gelöst, um die idealen Mischungsverhältnisse und Komponenten aus einem großen Pool natürlicher Rohstoffe zu identifizieren.

• C. Maschinelles Lernen (ML) für komplexe Formulierungen:

  • Für komplexere Formulierungen, bei denen einfache Mischungsmodelle versagen (z. B. Stabilität, komplexe Wechselwirkungen), werden ML-Modelle in Python (Scikit-learn) und Graph Neural Networks (GNN) eingesetzt.
  • Diese Modelle lernen aus historischen Daten, um Eigenschaften der Gesamtformulation ($prop_{formulation}$) basierend auf den Rohstoffanteilen und deren Eigenschaften vorherzusagen.

Spezifische Tools:

• Emollient Simulator: Zur Vorhersage von Ersatzstoffen für Öle und Silikone.
• Surfactant Simulator: Zur Vorhersage von Ersatzstoffen für synthetische Tenside.

3. Schlüsselbeiträge und Ergebnisse

Die Studie demonstriert die Wirksamkeit des Ansatzes durch drei konkrete Anwendungsfälle:

• Ersatz von Cyclopentasiloxan (D5):

  • Ziel: Ersatz von D5 in Make-up-Entfernern.
  • Lösung: Der Simulator identifizierte eine ternäre Mischung aus Coco-Caprylate/Caprate, Undecane/Tridecane und Dicaprylyl Ether im Verhältnis 1:2:1.
  • Ergebnis: Die physikochemischen und sensorischen Eigenschaften (gemessen und vorhergesagt) stimmten hervorragend mit D5 überein. In Testformulierungen zeigte die natürliche Mischung eine vergleichbare Reinigungsleistung und sensorische Bewertung (kein Abweichen vom Basiswert in Paarvergleichen).

• Ersatz von Dimethicon (5 cSt):

  • Ziel: Ersatz von leichtem Dimethicon in Hautpflege-Seren.
  • Lösung: Eine natürliche ternäre Mischung aus Dicaprylyl Carbonate, Dicaprylyl Ether und Undecane/Tridecane (Verhältnis 1,7:3,2:1).
  • Ergebnis: Die Mischung imitierte die sensorischen Eigenschaften des Silikons präzise. Zudem wurde gezeigt, dass die natürliche Formulierung (ohne Silikon) keine unerwünschte Schaumbildung aufwies, was oft ein Problem bei silikofreien Formulierungen ist.

• Ersatz von $\alpha$-Olefin-Sulfonat (AOS):

  • Ziel: Ersatz einer synthetischen Tensidmischung (AOS + Cocamidopropylbetain) in Spülprodukten.
  • Lösung: Der Surfactant Simulator empfahl eine Mischung aus Lauryl Glucoside (Alkylpolyglucosid) und Sodium Cocoyl Glutamate (Aminosäure-Tensid) im Verhältnis 1:1.
  • Ergebnis: Die natürliche Mischung zeigte eine fast identische Schaumleistung, Blasenbildung und elastische Koeffizienten wie die synthetische Referenz, wobei sie vollständig auf Ethylenoxid und Sulfate verzichtet.

4. Bedeutung und Ausblick

• Beschleunigung der Entwicklung: Der digitale Ansatz reduziert die Zeit und Kosten für die Formulierungsentwicklung erheblich, indem er Formulierern direkt die vielversprechendsten Kandidaten zur experimentellen Validierung liefert.
• Nachhaltige Transformation: Die Methode ermöglicht einen echten Wandel hin zu nachhaltigen, natürlichen Produkten, ohne Kompromisse bei der Performance einzugehen.
• Skalierbarkeit: Die vorgestellten Modelle sind nicht auf die gezeigten Beispiele beschränkt, sondern können auf eine breite Palette synthetischer Inhaltsstoffe angewendet werden (z. B. Isododecan, Mineralöle, Squalan, Sulfate, Taurate).
• Paradigmenwechsel: Die Studie etabliert einen neuen Standard, bei dem KI und Simulation als „Heuristiken" (ähnlich dem menschlichen Gehirn) dienen, um komplexe chemische Probleme effizient zu lösen.

Fazit:
Die Arbeit beweist, dass datengetriebene digitale Dienste eine praktikable und effektive Lösung für die dringend benötigte Substitution synthetischer Inhaltsstoffe in der Personal-Care-Industrie darstellen. Sie bietet einen wissenschaftlich fundierten Weg, um die Lücke zwischen regulatorischen Anforderungen, Verbrauchererwartungen und technischer Machbarkeit zu schließen.