Uncovering sustainable personal care ingredient combinations using scientific modelling

Cette étude propose une approche pionnière utilisant la modélisation prédictive et des services numériques pour identifier des combinaisons d'ingrédients naturels durables capables de remplacer les synthétiques réglementés dans les produits de soins personnels sans compromettre leurs performances ni leur coût.

L'essentiel

🌿 L'Art de remplacer l'artificiel par le naturel : Une aventure numérique

Imaginez que vous êtes un chef cuisinier (un formulateur en cosmétique). Votre mission est de créer des crèmes, des shampoings et des lotions qui sentent bon, glissent bien sur la peau et nettoient efficacement.

Pendant des années, pour obtenir ces résultats parfaits, les chefs ont utilisé des ingrédients "magiques" mais artificiels : des silicones (comme du plastique liquide) et des huiles minérales (dérivées du pétrole). C'était facile, pas cher et ça fonctionnait toujours.

🚨 Le problème :
La nature et les lois (comme les nouvelles règles de l'Union Européenne) disent maintenant : "Stop ! Ces ingrédients artificiels ne sont pas bons pour la planète." Il faut les bannir.
Mais les consommateurs veulent toujours le même résultat : une crème qui glisse comme du beurre sans être grasse, ou un shampoing qui mousse abondamment.

Le défi ? Trouver des ingrédients 100% naturels qui imitent parfaitement ces ingrédients artificiels. C'est comme essayer de trouver une aiguille dans une botte de foin, mais l'aiguille doit être invisible et la botte de foin est gigantesque.

🧠 La solution : Le "Cerveau Numérique" de BASF

Au lieu de faire des centaines de mélanges au hasard (ce qui coûte cher et prend du temps), les chercheurs de BASF ont créé un super-assistant numérique. Ils utilisent des modèles mathématiques et de l'intelligence artificielle pour prédire le futur.

Voici comment cela fonctionne, avec des analogies simples :

1. Le Détecteur de "Bruit" et de "Signal"

Imaginez que vous essayez d'écouter une mélodie (le signal) dans une pièce bruyante (le bruit).

• Le signal, c'est la vraie propriété de l'ingrédient (ex: sa texture).
• Le bruit, ce sont les erreurs de mesure, l'humidité de la pièce ou l'humeur du testeur.
  Les chercheurs ont créé des algorithmes capables d'ignorer le bruit et de se concentrer uniquement sur la mélodie pure. Cela leur permet de prédire exactement comment un ingrédient se comportera, même sans le tester physiquement des milliers de fois.

2. Le Simulateur de Mélange (L'Alchimiste)

Pour remplacer un ingrédient artificiel, on ne trouve pas toujours un seul ingrédient naturel parfait. Parfois, il faut mélanger trois ingrédients naturels pour recréer la même magie.

• L'analogie : C'est comme remplacer un café instantané (artificiel) par un mélange de trois herbes différentes. Individuellement, elles ne font pas café, mais mélangées dans les bonnes proportions, elles donnent exactement le même goût et la même couleur.
• Le Simulateur d'Émollients (pour les crèmes) et le Simulateur de Tensioactifs (pour les shampoings) calculent des millions de combinaisons possibles en quelques secondes pour trouver le "mélange parfait" qui imite l'ingrédient interdit.

🎯 Les Résultats Concrets : Trois Victoires

L'article montre trois exemples où cette technologie a sauvé la mise :

1. Le Grand Remplacement des Silicones (D5) :

   • Le problème : Les silicones sont interdits dans les démaquillants car ils polluent.
   • La solution numérique : Le simulateur a trouvé un mélange de trois huiles végétales (coco, undécane, etc.) qui glisse sur la peau exactement comme le silicone.
   • Le résultat : Les testeurs ne font aucune différence entre la crème avec silicone et celle avec le mélange naturel. C'est un "remplacement direct" (drop-in).

2. Le Remplacement des Diméthicones (Huiles de silicone épaisses) :

   • Le problème : Ces huiles empêchent les crèmes de mousser trop et donnent une sensation de douceur. Sans elles, les crèmes naturelles peuvent faire des bulles bizarres ou être trop grasses.
   • La solution numérique : Le simulateur a conçu un mélange d'huiles végétales qui imite la texture d'une huile de silicone très précise (5 cSt).
   • Le résultat : La crème naturelle ne mousse pas quand on la frotte (ce qui est normal) et a la même sensation soyeuse.

3. Le Remplacement des Tensioactifs Synthétiques (Shampoings) :

   • Le problème : Les shampoings utilisent souvent des détergents synthétiques pour mousser. Les consommateurs veulent du naturel.
   • La solution numérique : Au lieu d'un détergent chimique, le simulateur a proposé un duo de "gentils" : un sucre (glucoside) et un acide aminé (glutamate).
   • Le résultat : Ce duo naturel mousse aussi bien et nettoie aussi fort que le produit chimique d'origine.

💡 Pourquoi c'est révolutionnaire ?

Avant, un chimiste devait passer des mois à tester des mélanges au hasard, comme un aveugle qui tâtonne dans le noir.
Aujourd'hui, grâce à cette intelligence artificielle, ils ont une lampe torche. Ils peuvent :

• Gagner du temps : Passer de mois à quelques jours pour trouver une solution.
• Économiser de l'argent : Moins d'essais ratés.
• Sauver la planète : Remplacer le pétrole et les silicones par des ressources renouvelables sans sacrifier la qualité.

En résumé :
Cet article nous dit que l'avenir de la beauté ne réside pas dans le choix entre "naturel" et "performant". Grâce à la science et aux ordinateurs, nous pouvons maintenant avoir les deux. C'est comme si nous avions donné à nos formulateurs un super-pouvoir pour décoder les secrets de la nature et recréer la magie des produits synthétiques, mais de manière durable. 🌍✨

Résumé technique

Titre : Révélation de combinaisons d'ingrédients de soins personnels durables grâce à la modélisation scientifique

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

---

1. Problématique

L'industrie des soins personnels (FMCG) fait face à une pression croissante pour remplacer les ingrédients synthétiques et non biodégradables (tels que les silicones, les huiles minérales et les tensioactifs sulfatés) par des alternatives naturelles. Cette nécessité est motivée par deux facteurs principaux :

• Réglementations strictes : L'Union Européenne a interdit ou restreint l'utilisation de certains cyclométhicones (D4, D5, D6) en raison de leurs propriétés persistantes, bioaccumulables et toxiques (PBT/vPvB), avec une mise en œuvre complète prévue pour juin 2027.
• Attentes des consommateurs : Une demande accrue pour des produits "clean", durables et naturels, sans compromettre la performance sensorielle ou fonctionnelle.

Le défi majeur pour les formulateurs réside dans la complexité de trouver des alternatives naturelles performantes. L'approche traditionnelle, basée sur l'essai-erreur et l'expertise empirique, est coûteuse, longue et risque de passer à côté de solutions optimales ("trouver une aiguille dans une botte de foin"). Il est donc crucial de développer des méthodes rapides et prédictives pour identifier des combinaisons d'ingrédients naturels capables de mimer les propriétés des ingrédients synthétiques de référence.

2. Méthodologie

Les auteurs proposent une approche pionnière combinant la modélisation mathématique, la simulation et l'intelligence artificielle (IA) pour générer des recommandations d'ingrédients. La méthodologie repose sur trois piliers :

• Modélisation Mathématique Simple (Niveau Ingrediente) :

  • Les propriétés d'un mélange ($prop_{mix}$) sont prédites en fonction des propriétés des ingrédients individuels ($prop_i$) et de leurs ratios ($x_n$) via une fonction mathématique $f$ (polynomiale, exponentielle ou logarithmique).
  • L'équation fondamentale sépare le signal (information intrinsèque) du bruit (erreur expérimentale) pour éviter le surajustement (overfitting).
  • Optimisation : Le système résout un problème d'optimisation (moindres carrés) pour minimiser l'erreur ($\Delta$) entre les propriétés d'un ingrédient de référence (benchmark, ex. silicone) et celles du mélange naturel prédit. Cela permet d'identifier les ratios optimaux et les composants spécifiques.

• Apprentissage Automatique (Machine Learning - ML) :

  • Pour des problèmes plus complexes impliquant des formulations entières (stabilité, propriétés sensorielles globales), des modèles de ML (développés en Python avec des packages standards et des Réseaux de Neurones à Graphes - GNN) sont utilisés.
  • Ces modèles traitent les vecteurs de ratios et de propriétés de tous les ingrédients pour prédire le comportement final de la formulation.

• Outils de Simulation :

  • Deux simulateurs spécifiques ont été développés :
    1. Emollient Simulator : Pour remplacer les huiles et silicones (ex. D5, diméthicones).
    2. Surfactant Simulator : Pour remplacer les tensioactifs synthétiques.

3. Contributions Clés

• Développement de plateformes numériques : Création de services numériques capables de proposer des combinaisons d'ingrédients naturels (100 % d'origine naturelle) en remplacement direct de synthétiques spécifiques.
• Validation par la prédiction : Démonstration que des modèles simples et des algorithmes d'IA peuvent prédire avec une précision supérieure à 95 % les propriétés physico-chimiques et sensorielles de mélanges complexes.
• Approche "Drop-in" : La capacité de fournir des solutions de remplacement direct (drop-in) qui ne nécessitent pas de reformulation majeure de la base du produit, facilitant l'adoption par l'industrie.
• Réduction du temps de développement : Transformation du processus de R&D d'une approche empirique lente à une approche ciblée basée sur des données, permettant de tester uniquement les meilleures solutions théoriques.

4. Résultats

L'étude présente trois cas d'usage concrets validant l'efficacité des simulateurs :

1. Remplacement du Cyclopentasiloxane (D5) :

   • Défi : Remplacer le D5 dans un produit démaquillant.
   • Solution : Un mélange ternaire naturel optimisé (coco-caprylate/caprate, undécane/tridécane, dicaprylyl ether) dans un ratio 1:2:1.
   • Résultat : Une adéquation excellente entre les propriétés physico-chimiques et sensorielles du mélange naturel et du D5 de référence. Les tests de démaquillage (mascara, rouge à lèvres) confirment des performances équivalentes.

2. Remplacement de la Diméthicone (5 cSt) :

   • Défi : Remplacer une diméthicone légère (5 cSt) utilisée pour ses propriétés sensorielles et anti-mousse dans un sérum.
   • Solution : Un mélange ternaire naturel (dicaprylyl carbonate, dicaprylyl ether, undécane/tridécane) avec un ratio optimisé.
   • Résultat : Le mélange naturel reproduit fidèlement les propriétés sensorielles et physico-chimiques de la diméthicone. De plus, la formulation finale sans silicone ne présente pas d'effet de mousse indésirable, un problème courant dans les formulations naturelles.

3. Remplacement du Tensioactif Synthétique ($\alpha$-oléfine sulfonate) :

   • Défi : Remplacer un mélange d'$\alpha$-oléfine sulfonate (synthétique) et de cocamidopropyl bétaïne dans des produits rinçables (shampoings).
   • Solution : Un mélange de deux tensioactifs naturels non sulfatés et non éthoxylés : lauryl glucoside et sodium cocoyl glutamate (ratio 1:1).
   • Résultat : Les performances en termes de moussage, de formation de bulles et d'élasticité de la mousse sont très proches de celles du mélange synthétique de référence.

5. Signification et Impact

Cette recherche marque une avancée significative pour l'industrie des soins personnels en démontrant que la digitalisation et l'IA peuvent résoudre des problèmes de durabilité complexes.

• Accélération de l'innovation : Les formulateurs peuvent désormais explorer rapidement un vaste espace de solutions naturelles, réduisant considérablement le temps et les coûts de développement.
• Durabilité réelle : L'approche permet de répondre aux exigences réglementaires (REACH, interdiction des silicones) et aux demandes des consommateurs sans sacrifier la qualité ou la performance du produit.
• Extensibilité : La méthodologie n'est pas limitée aux exemples cités ; elle peut être appliquée à une large gamme d'ingrédients (huiles minérales, squalane, tensioactifs sulfatés comme le SLS, etc.), offrant un cadre robuste pour la transition vers une industrie cosmétique entièrement durable.

En conclusion, l'article établit que l'utilisation de modèles prédictifs et de services numériques est non seulement viable, mais essentielle pour transformer l'industrie des cosmétiques vers des solutions véritablement durables et performantes.