A cross-validated prevalence dataset of 87 cosmetic active ingredients from four public sources
本文展示了一个经过交叉验证的数据集，其中包含源自四个不同公共渠道的 87 种化妆品活性成分，该数据集具有高精度的基于规则的匹配本体，并展示了强大的跨渠道一致性，旨在支持关于化妆品配方结构和成分共现性的可重复性研究。
原始论文采用 CC BY 4.0 许可（https://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
想象一下，你走进了一座巨大的、混乱的图书馆，这里的每一本书都是一瓶面霜、洗发水或口红。在这座图书馆里，书架是按不同的规则组织的：一个区域充满了热情的粉丝，他们写下了能找到的所有成分；另一个区域是一个高端精品店，只展示那些“纯净”和“高级”的书籍；第三个区域是一个巨大的仓库，列出了从折扣店到在线巨头的各种产品；第四个区域是一个严格的政府档案柜，只列出已知具有潜在危险性的化学物质。多年来，试图了解我们美容产品中究竟含有什么的科学家们，不得不只选择这座图书馆中的一个部分，并猜测它代表了整个世界。但如果“粉丝区”充满了奇特的、小众的配方，而“精品区”则隐藏着常见的东西呢？为了获得美容界“宇宙配方”的真实图景，我们需要交叉核对所有这些不同的区域，看看它们是否讲述了同一个故事。这就是研究化妆品成分的挑战：弄清楚哪些成分是真正的全球通用标准，哪些只是局部趋势，而不被“有些书可能是从一个书架复制到另一个书架”这一事实所误导。
这篇论文就像一位大侦探，决定同时打开那四个部分的图书馆并比较其内容。作者 Lejian Wang 不仅仅是在猜测；他构建了一个超级智能的基于规则的机器人扫描仪（一个“匹配器”），它可以读取来自这四个非常不同的来源的成分表，并将它们翻译成一种通用的语言。他们专注于 87 种特定的“活性”成分——即那些出现在最受欢迎产品中的重量级成分，如保湿剂、抗衰老成分和防腐剂。该机器人对 50 种真实产品进行了测试，几乎每次都正确无误，精确度达到 100%，召回率接近 99.6%，这意味着它很少漏掉真实的成分，也从未错误地指控某种产品含有某成分。
重大的发现是什么？当作者比较这 87 种成分在不同图书馆中的排名时，结果出人意料地一致。尽管“粉丝图书馆”（Open Beauty Facts）和“精品图书馆”（Sephora）有着不同的氛围和不同的客户，但它们在哪些成分最受欢迎这一点上达成了一致。数学表明它们之间存在很强的联系，证明了像甘油或透明质酸这类成分的流行并非只是某个特定商店或国家的偶然现象，而是一种真实的、全球性的模式。作者还使用了一个聪明的技巧，以确保这种一致性不是因为某些产品同时出现在精品店和仓库部分；他们移除了共享的产品，结果发现一致性反而增强了，这证实了这种信号是真实的。
然而，论文也划下了一道清晰的分界线。当他们将这些美容产品列表与严格的政府“危险清单”（加州安全化妆品计划）进行对比时，一致性消失了。政府清单只关心少数特定的化学物质，因此它并不了解美容界实际在使用什么。这种缺乏一致性的现象实际上是一件好事——它证明了机器人并没有在不存在联系的地方凭空捏造联系。这项研究还通过观察过去十年间成分流行程度的变化，窥见了未来。它发现，一些成分（如透明质酸）正在上升，而另一些成分（如某些硫酸盐）正在消退。但作者谨慎地指出，其中一些趋势（特别是针对烟酰胺和苯氧乙醇的趋势）可能有些不稳定，因为它们深受近几年数据的影响，所以我们应该将这些特定的趋势视为令人兴奋的提示，而非绝对的事实。
最后，这篇论文不仅给了我们一份成分清单，还给了我们一张经过验证和交叉核对的美容世界地图。它证明了只要我们拥有正确的工具来翻译数据，即使从不同的角度观察，我们也可以信任我们对产品成分的理解。它为任何想要了解瓶中科学的人提供了坚实的基础，表明虽然美容世界广阔多样，但其核心配方比我们想象的要更加相似。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。