Uncovering sustainable personal care ingredient combinations using scientific modelling

Dit artikel presenteert een baanbrekende aanpak die gebruikmaakt van voorspellende modellering en simulatie om formulators te helpen natuurlijke, duurzame alternatieven te vinden voor synthetische ingrediënten in persoonlijke verzorgingsproducten, zodat ze aan strengere regelgeving en duurzaamheidseisen kunnen voldoen zonder in te leveren op prestaties.

De kern

De Digitale Smaakmaker: Hoe een Computer de "Nieuwe Naald in de Hooiberg" voor Je Vindt

Stel je voor dat je een enorme hooiberg hebt. Ergens in die hooiberg zit een enkele, perfecte naald. In de wereld van cosmetica is die "naald" een natuurlijk ingrediënt dat precies hetzelfde doet als een synthetische stof (zoals siliconen of minerale oliën), maar dan zonder de milieuschade.

Vroeger was het werk van een cosmeticamaker (formulator) als het zoeken naar die naald: ze moesten van alles en nog wat proberen, testen, falen en opnieuw proberen. Dit kostte jaren, veel geld en leverde vaak teleurstellingen op.

Deze paper van BASF vertelt over een nieuwe manier om die naald te vinden: met een slimme computer die als een superchef werkt.

Hier is hoe het werkt, vertaald naar alledaags taal:

1. Het Probleem: De "Verboden" Ingrediënten

Veel crèmes en shampoos bevatten stoffen zoals siliconen of minerale oliën. Die werken geweldig: ze voelen zijdezacht aan, maken het haar glanzend en zijn goedkoop. Maar ze zijn niet goed voor het milieu en worden in de toekomst verboden (zoals de EU-banen op bepaalde siliconen).

Consumenten willen nu: "Geef me de zijdezachte feel van siliconen, maar dan 100% natuurlijk en goedkoop."
Dat is de uitdaging: een natuurlijk alternatief vinden dat net zo goed werkt als het synthetische origineel.

2. De Oplossing: De "Digitale Proefkeuken"

In plaats van in het echt honderden mengsels te maken in het lab, gebruiken de onderzoekers digitale modellen en kunstmatige intelligentie (AI).

• De Simulatie: Stel je voor dat je een supersterke computer hebt die alle eigenschappen van duizenden natuurlijke oliën en wasmiddelen kent. Deze computer kan "rekenen" hoe deze stoffen zich gedragen als je ze mengt.
• Het Signaal vs. Het Ruis: Alles wat we meten (zoals hoe zacht een crème voelt) heeft een beetje "ruis" (toeval, meetfouten). De computer leert het echte "signaal" te onderscheiden van die ruis. Zo voorkomt hij dat hij leert op basis van toeval.
• De Optimisatie: De computer zoekt naar de perfecte mix. Het is alsof je een muzieklied probeert te maken dat precies hetzelfde klinkt als een beroemd nummer, maar dan met alleen maar akoestische instrumenten in plaats van elektronische. De computer probeert duizenden combinaties in een seconde en vindt de mix die het dichtst bij het origineel ligt.

3. De Resultaten: De "Naald" is Gevonden!

De paper laat zien dat deze digitale methode werkt met drie concrete voorbeelden:

• Vervanging van Siliconen (Cyclopentasiloxane):

  • Het origineel: Een siliconenolie die vaak in make-upremovers zit.
  • De digitale oplossing: De computer vond een mix van drie natuurlijke oliën (coco-caprylate, een soort koolwaterstof en een ether) in een specifieke verhouding.
  • Het resultaat: Toen ze dit daadwerkelijk maakten, voelde het precies hetzelfde aan als de siliconenolie. De consument merkt geen verschil!

• Vervanging van Dimethicones (Andere siliconen):

  • Het origineel: Een siliconenolie die zorgt voor een glad gevoel in gezichten en anti-schuim in shampoos.
  • De digitale oplossing: Een mix van natuurlijke carbonaten en oliën.
  • Het resultaat: Ook hier voelde de natuurlijke mix precies hetzelfde aan en voorkwam hij zelfs schuimvorming, net als de siliconen.

• Vervanging van Synthetische Zeep (Alpha-olefin sulfonate):

  • Het origineel: Een synthetisch wasmiddel in shampoo dat goed schuimt.
  • De digitale oplossing: Een mix van natuurlijke suiker-zeep (lauryl glucoside) en een aminozuur-zeep.
  • Het resultaat: De natuurlijke mix schuimde net zo goed en vormde net zo mooie belletjes als de synthetische versie.

4. Waarom is dit belangrijk?

Vroeger duurde het vinden van zo'n alternatief jaren. Met deze digitale proefkeuken kunnen makers:

1. Snelheid: In plaats van jaren, vinden ze oplossingen in dagen of weken.
2. Kostenefficiëntie: Ze hoeven minder dure experimenten in het lab te doen.
3. Duurzaamheid: Ze kunnen snel overstappen op natuurlijke ingrediënten die goed werken, zonder dat de consument inlevert op kwaliteit.

Conclusie

Deze paper laat zien dat we niet hoeven te kiezen tussen "goed voor het milieu" en "goed voor de huid/het haar". Door slimme wiskunde en kunstmatige intelligentie te gebruiken, kunnen we de perfecte natuurlijke mix vinden die de synthetische stoffen volledig vervangt.

Het is alsof we een GPS hebben voor de cosmeticawereld. In plaats van blindelings door het donker te rijden en hopen dat we de juiste weg vinden, geeft de computer ons de snelste en beste route naar een duurzame toekomst.

Technische samenvatting

Titel: Ontdekken van duurzame persoonlijke verzorgingsingrediëntcombinaties met behulp van wetenschappelijke modellering

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

---

1. Het Probleem

De persoonlijke verzorgingsindustrie staat voor een complexe uitdaging: de noodzaak om synthetische, niet-biologisch afbreekbare ingrediënten (zoals siliconen, minerale oliën en sulfaten) te vervangen door natuurlijke alternatieven zonder in te leveren op prestaties of kosten.

• Regulatorische druk: De EU heeft al restricties ingesteld voor bepaalde cyclische siliconen (D4, D5, D6) vanwege hun persistentie en bioaccumulatie. Deze verbodsbepalingen treden volledig in werking in 2027.
• Consumenteneisen: Er is een groeiende vraag van consumenten naar "schone" en natuurlijke producten, maar ze verwachten wel dezelfde sensorische en functionele prestaties als traditionele synthetische producten.
• De huidige aanpak: Formuleerders vertrouwen momenteel op trial-and-error en ervaring. Dit is een tijdrovende, kostbare en inefficiënte methode ("een naald in een hooiberg zoeken") die vaak leidt tot het missen van potentieel goede oplossingen.

2. Methodologie

Het artikel introduceert een pionierende aanpak die gebruikmaakt van digitale diensten, wetenschappelijke modellering en kunstmatige intelligentie (AI) om natuurlijke ingrediëntencombinaties te voorspellen die synthetische benchmarks nabootsen. De methodologie is gebaseerd op drie pijlers:

• Signal-Noise Scheiding:
  De auteurs benadrukken dat elke meting bestaat uit een signaal (de intrinsieke eigenschap) en ruis (experimentele fouten, omgevingsinvloeden). De modellen zijn ontworpen om het signaal te extraheren en overfitting (het modelleren van ruis) te voorkomen door eenvoudige modellen te prefereren die goed presteren op onbekende data.

• Wiskundige Modellering (Mixing Models):
  Voor ingrediëntenoplossingen (zoals emolliënten of surfactanten) wordt gebruikgemaakt van wiskundige functies om de eigenschappen van een mengsel ($prop_{mix}$) te voorspellen op basis van de eigenschappen van individuele componenten ($prop_i$) en hun verhoudingen ($x_n$).

  • Formule: $prop_{mix} = f(x_n, prop_n)$
  • Deze modellen (polynomen, exponentieel, logaritmisch) hebben een voorspellingsnauwkeurigheid van meer dan 95% op testdata.

• Optimalisatie:
  Het doel is om de verhoudingen en componenten te vinden die de fout minimaliseren tussen de eigenschappen van het natuurlijke mengsel en de synthetische benchmark (bijv. siliconen).

  • Formule: $\Delta = |prop_{benchmark} - prop_{mix}|^2$
  • Dit is een "least squares" optimalisatieprobleem dat door de software wordt opgelost om de beste match te vinden.

• Machine Learning (ML):
  Voor complexere formuleringen waarbij meerdere ingrediënttypes interacties aangaan die niet lineair zijn, worden ML-modellen (geprogrammeerd in Python, inclusief Graph Neural Networks) ingezet. Deze modellen voorspellen formulatie-eigenschappen zoals stabiliteit, viscositeit en sensorische attributen op basis van de input van alle ingrediënten.

3. Belangrijkste Bijdragen en Resultaten

De auteurs presenteren twee specifieke digitale simulatoren: een Emolliënt Simulator en een Surfactant Simulator. De resultaten worden geïllustreerd aan de hand van drie casestudy's:

1. Vervanging van Cyclopentasiloxaan (D5):

   • Doel: Een natuurlijke vervanging vinden voor D5 in make-upreinigers.
   • Oplossing: De simulator stelde een ternair mengsel voor van coco-caprylate/caprate, undecane & tridecane en dicaprylyl ether in een verhouding van 1:2:1.
   • Resultaat: De voorspelde fysisch-chemische en sensorische eigenschappen (zoals "silicone-gevoel") van dit natuurlijke mengsel kwamen sterk overeen met D5. In een simplex-formulatie bleef de reinigingsprestatie (verwijdering van mascara, lippenstift) gelijk.

2. Vervanging van Dimethicones:

   • Doel: Een natuurlijke vervanging voor Dimethicone (5 cSt) in huidverzorging, zonder schuimvorming (een veelvoorkomend probleem bij siliconenvrije formules).
   • Oplossing: Een mengsel van dicaprylyl carbonate, dicaprylyl ether en undecane/tridecane (verhouding 1.7:3.2:1).
   • Resultaat: De sensorische prestaties en de afwezigheid van ongewenst schuim in de eindformulatie waren vergelijkbaar met de referentieformulatie met dimethicone.

3. Vervanging van Synthetische Surfactanten ($\alpha$-olefin sulfonate):

   • Doel: Een natuurlijke, niet-ethyleenoxide en niet-gesulfateerde vervanging voor een mengsel van $\alpha$-olefin sulfonate en cocamidopropyl betaine (gebruikt in douchegels/shampoos).
   • Oplossing: Een mengsel van lauryl glucoside (alkylpolyglucoside) en sodium cocoyl glutamate (aminogezuur surfactant) in een verhouding van 1:1.
   • Resultaat: Het natuurlijke mengsel vertoonde vergelijkbare schuimhoogte, bubbelvorming en elastische coëfficiënt van het schuim als het synthetische mengsel.

4. Betekenis en Conclusie

De studie demonstreert dat wetenschappelijke modellering en AI een krachtig instrument zijn om de transformatie naar duurzame persoonlijke verzorging te versnellen.

• Efficiëntie: De aanpak reduceert de tijd en kosten van formulatieontwikkeling aanzienlijk door alleen de meest veelbelovende natuurlijke combinaties te testen in het lab, in plaats van blind te experimenteren.
• Schaalbaarheid: De methodologie is niet beperkt tot de getoonde voorbeelden, maar kan worden toegepast op een breed scala aan synthetische ingrediënten (zoals isododecane, minerale oliën, SLS, etc.).
• Toekomstvisie: Door digitale diensten te bieden, kunnen formuleerders innovatieve, milieuvriendelijke oplossingen vinden die voldoen aan zowel de strenge regelgeving als de consumentenvraag, zonder compromissen te sluiten op prestatie.

Kortom, dit onderzoek biedt een bewezen, data-gedreven raamwerk om de "naald in de hooiberg" van natuurlijke ingrediënten te vinden en de persoonlijke verzorgingsindustrie werkelijk duurzaam te maken.