📄 other

A cross-validated prevalence dataset of 87 cosmetic active ingredients from four public sources

Este artículo presenta un conjunto de datos de 87 ingredientes activos cosméticos validados mediante validación cruzada, derivados de cuatro fuentes públicas diversas, que cuenta con una ontología de concordancia basada en reglas de alta precisión y demuestra una fuerte concordancia entre canales para apoyar la investigación reproducible sobre las estructuras de formulación cosmética y la coocurrencia de ingredientes.

Autores originales: Lejian Wang

Publicado 2026-08-11

📖 4 min de lectura☕ Lectura para el café

CC BY 4.0

Autores originales: Lejian Wang

Artículo original bajo licencia CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ✨ Esta es una explicación generada por IA del artículo a continuación. No ha sido escrita ni avalada por los autores. Para mayor precisión técnica, consulte el artículo original. Leer descargo de responsabilidad completo

Imagina que entras en una biblioteca gigante y caótica donde cada libro es un frasco de crema facial, champú o lápiz labial. En esta biblioteca, los estantes están organizados por diferentes reglas: una sección está llena de libros escritos por fans entusiastas que anotaron cada ingrediente que pudieron encontrar; otra sección es una boutique de lujo donde solo se exhiben los libros "limpios" y "premium"; una tercera es un almacén masivo que enumera todo, desde tiendas de descuento hasta gigantes en línea; y una cuarta es un archivador gubernamental estricto que solo enumera sustancias químicas conocidas por ser potencialmente peligrosas. Durante años, los científicos que intentaban comprender qué hay realmente dentro de nuestros productos de belleza han tenido que elegir solo una sección de esta biblioteca y suponer que representa al mundo entero. Pero, ¿qué pasaría si la sección de los fans estuviera llena de recetas extrañas y de nicho, mientras que la sección de la boutique estuviera ocultando las cosas comunes? Para obtener una imagen verdadera de la "receta cósmica" de la belleza, necesitamos cotejar todas estas diferentes secciones para ver si cuentan la misma historia. Este es el desafío de estudiar los ingredientes cosméticos: determinar cuáles componentes son verdaderamente elementos básicos universales y cuáles son solo tendencias locales, sin dejarse engañar por el hecho de que algunos libros podrían haber sido copiados de un estante a otro.

Este artículo es como un maestro detective que decide abrir las cuatro secciones de esa biblioteca a la vez y comparar sus contenidos. El autor, Lejian Wang, no solo adivinó; construyó un escáner robótico súper inteligente basado en reglas (un "comparador") que puede leer las listas de ingredientes de estas cuatro fuentes tan diferentes y traducirlas a un lenguaje común. Se centró en 87 "ingredientes activos" específicos —los pesos pesados como hidratantes, antienvejecimiento y conservantes— que aparecen en los productos más populares. El robot fue probado en 50 productos reales y acertó casi todas las veces, con una precisión del 100% y una sensibilidad de casi el 99,6%, lo que significa que rara vez pasó por alto un ingrediente real y nunca acusó falsamente a un producto de tener uno.

¿El gran descubrimiento? Cuando el autor comparó las clasificaciones de estos 87 ingredientes a través de las diferentes bibliotecas, los resultados fueron sorprendentemente consistentes. Aunque la "biblioteca de los fans" (Open Beauty Facts) y la "biblioteca boutique" (Sephora) tienen vibras y clientes diferentes, coinciden en qué ingredientes son los más populares. Las matemáticas muestran una fuerte conexión entre ellas, demostrando que la popularidad de ingredientes como la glicerina o el ácido hialurónico no es solo un capricho de una tienda o país específico; es un patrón real y global. El autor también realizó un truco ingenioso para asegurarse de que este acuerdo no se debía simplemente a que algunos productos figuraran tanto en la sección boutique como en la del almacén; eliminó los productos compartidos y el acuerdo se hizo incluso más fuerte, confirmando que la señal es real.

Sin embargo, el artículo también traza una línea divisoria clara en la arena. Cuando compararon estas listas de productos de belleza con la estricta "lista de peligros" del gobierno (el Programa de Cosmética Segura de California), el acuerdo desapareció. La lista del gobierno solo se preocupa por unos pocos productos químicos específicos, por lo que no tiene idea de lo que el mundo de la belleza está utilizando realmente. Esta falta de acuerdo es en realidad algo bueno: demuestra que el robot no está simplemente alucinando conexiones donde no existen. El estudio también echó un vistazo al futuro observando cómo ha cambiado la popularidad de los ingredientes durante la última década. Encontró que algunos ingredientes, como el ácido hialurónico, están ascendiendo en las listas, mientras que otros, como ciertos sulfatos, están desapareciendo. Pero el autor es cuidadoso al señalar que algunas de estas tendencias, específicamente para la niacinamida y el fenoxietanol, podrían ser un poco inestables porque están fuertemente influenciadas por los datos de los últimos años, por lo que debemos tratar esas tendencias específicas como pistas emocionantes en lugar de hechos absolutos.

Al final, este artículo no solo nos da una lista de ingredientes; nos da un mapa verificado y cotejado del mundo cosmético. Demuestra que podemos confiar en nuestra comprensión de lo que va dentro de nuestros productos, incluso cuando los miramos desde diferentes ángulos, siempre que tengamos las herramientas adecuadas para traducir los datos. Es una base sólida para cualquiera que quiera entender la ciencia detrás del frasco, mostrando que, si bien el mundo de la belleza es vasto y variado, las recetas centrales son más similares de lo que podríamos haber pensado.

Resumen Técnico: Un conjunto de datos de prevalencia de 87 ingredientes activos cosméticos con validación cruzada

Planteamiento del problema
Los estudios históricos sobre la coocurrencia de ingredientes cosméticos y la evolución de las formulaciones han dependido de fuentes de datos únicas y, a menudo, sesgadas (por ejemplo, una única biblioteca de origen colaborativo o el catálogo de un solo minorista). Esta dependencia crea dos limitaciones primarias: (1) los rankings de prevalencia derivados de una sola población no pueden asumirse como generalizables a través de geografías o canales minoristas; y (2) sin una replicación independiente, es imposible distinguir las regularidades genuinas de la formulación del ruido o de los solapamientos inadvertidos de los conjuntos de datos. El trabajo existente en la ciencia de los alimentos y la medicina tradicional utiliza la lógica de coocurrencia, pero permanece limitado a dominios únicos o listas que no son INCI, mientras que los enfoques recientes de IA/ML dependen de conjuntos de datos propietarios que no validan la generalización de los rankings de prevalencia entre poblaciones.

Metodología
El estudio construye un recurso empírico reutilizable y con validación cruzada mediante la integración de cuatro conjuntos de datos públicos que representan dos "nichos ecológicos" distintos y un control negativo regulatorio:

Corpus de origen colaborativo con tendencia a la UE: Open Beauty Facts (OBF, n = 19,045 productos).
Nicho minorista de Norteamérica:
- Catálogo Premium: Sephora (n = 1,472).
- Catálogo de comercio electrónico multiplataforma: Agregado de Ulta, Sephora, Amazon y Flipkart (n = 6,600 productos con texto INCI).
Control Negativo Regulatorio: Programa de Cosméticos Seguros de California (CDPH, n = 34,502 registros a nivel de producto), el cual declara únicamente sustancias químicas restringidas en lugar de formulaciones completas.

Procesamiento de Datos y Ontología

Ontología de 87 conceptos: Un diccionario curado que mapea 87 conceptos funcionales (p. ej., humectantes, aclarantes, conservantes) con alias INCI, comunes y latinos. La ontología está delimitada para asegurar que cada patrón pueda ser redactado manualmente y auditado.
Pipeline de Emparejamiento: Un emparejador basado en reglas (matchIngredientList) aplica normalización de texto (eliminación de diacríticos NFD, regex de límites) y listas de exclusión (p. ej., evitar que "alcohol" coincida con "alcohol bencílico") para marcar la presencia de un concepto.
Marco de Validación:
- Estándar de Oro (Gold Standard): Se anotó manualmente una muestra estratificada aleatoria de 50 productos. El emparejador alcanzó una Precisión de 1.00 y una Sensibilidad (Recall) de 0.996 (F1 de 0.998) tras reparar tres defectos específicos (falsos positivos en subcadenas, falsos negativos debido a problemas de delimitadores y errores de límite).
- Verificación de Cobertura: Una muestra suplementaria dirigida de 15 productos confirmó que los 86 conceptos presentes en los corpora fueron marcados correctamente.
- Enfoque Estadístico: El acuerdo entre fuentes se mide utilizando la correlación de rango de Spearman en los vectores de prevalencia. El estudio prioriza un "filtro común" (conceptos con ≥2% de prevalencia en al menos una fuente) para evitar la inflación por ceros compartidos, reportando simultáneamente los coeficientes de los 87 conceptos completos como un límite superior. La significancia se determina mediante pruebas de permutación (2,000 iteraciones) en lugar de distribuciones asintóticas.

Resultados Clave

Acuerdo entre Fuentes: Se observó un fuerte acuerdo de rango entre las tres fuentes de formulación. Bajo el filtro común, las correlaciones de Spearman ( $\rho$ $ρ$ ) fueron:
- OBF $\times$ Sephora: 0.56
- OBF $\times$ E-commerce: 0.65
- Sephora $\times$ E-commerce: 0.81
- Prueba de Robustez: Eliminar los 2,731 productos compartidos entre Sephora y el catálogo de e-commerce aumentó la correlación de Sephora $\times$ E-commerce a 0.92, confirmando que el acuerdo no es un artefacto del solapamiento de datos.
Validación del Control Negativo: El registro de la CDPH mostró una correlación insignificante con las fuentes de formulación ( $\rho$ entre -0.03 y 0.13), confirmando que el pipeline no manufactura acuerdos espurios con modalidades regulatorias no relacionadas.
Patrones de Prevalencia: Los ingredientes de alta prevalencia (p. ej., glicerina, tocoferol, fenoxietanol) mostraron rankings consistentes entre las fuentes. Las divergencias notables, como la baja prevalencia de SLES en canales premium (Sephora: 0.9%) frente a los datos de origen colaborativo (OBF: 14.9%), reflejan el posicionamiento específico de cada canal en lugar de errores de datos.
Tendencias Temporales (Exploratorias): El análisis de los años de ingesta de OBF (2016–2026) indicó tendencias ascendentes significativas para el ácido hialurónico y la niacinamida, y tendencias descendentes para el SLES y la dimeticona. Sin embargo, el análisis de sensibilidad restringido a 2016–2023 reveló que las tendencias para la niacinamida y el fenoxietanol fueron impulsadas en gran medida por los datos parciales de 2024–2026, lo que las hace sugestivas en lugar de establecidas.

Significancia y Reivindicaciones
El artículo afirma explícitamente que no ha recolectado nuevos datos brutos ni propuesto nuevos métodos estadísticos. En su lugar, su contribución es un nuevo recurso empírico, de licencia abierta y validado transversalmente que hace que los distintos repositorios públicos sean comparables.

La significancia reside en la capa de mapeo validada (la ontología y el pipeline) que permite:

Evidencia de Generalización: Demostrar que los rankings de ingredientes funcionales se generalizan a través de distintos nichos ecológicos (el de la UE de origen colaborativo frente al de retail de Norteamérica).
Reducción de Ruido: Probar que los acuerdos observados no son artefactos del solapamiento de conjuntos de datos o del ruido de una sola fuente, validado por el control negativo y las pruebas de robustez.
Reproducibilidad: Proporcionar un pipeline completo y auditable (scripts, muestras de estándar de oro, estadísticas) que permite a futuros investigadores aplicar la misma ontología de 87 conceptos a nuevos corpora.

El autor enfatiza que el conjunto de datos respalda la investigación reproducible sobre la coocurrencia de ingredientes cosméticos y la estructura de las formulaciones, pero advierte que los niveles absolutos de prevalencia no son directamente comparables entre fuentes debido a los diferentes regímenes de declaración; solo los órdenes de rango son comparables.

Más como este