AI驱动的化妆品防腐效能预测方法研究
在化妆品、医药部外品及医药品的整个生命周期（含制造、流通、开封后至用尽）里，防控微生物污染属于制造销售方的法律责任。鉴于多数产品在非无菌条件下生产，且包装往往非一次性使用，因此必须保证产品在生产环节与开封后使用过程中，混入的微生物不会繁殖。为管控混入的微生物，需依据产品特性赋予配方适宜的防腐效能。
配方的防腐效能主要依赖防腐剂来达成，而防腐剂对人体皮肤等同样存在作用，为规避安全问题，各国对产品中可应用的防腐剂类别及用量均有严苛规范。配方研发者和防腐防霉专员必须在平衡防腐效能与安全性的前提下，以尽可能低浓度运用有限种类的防腐剂展开配方设计。尤其对于防腐剂配比限制严苛的免洗型护肤产品，其防腐设计的难度极大。证据显示，2009~2016年日本国内化妆品及医药部外品的Class II召回信息（含一次污染与二次污染案例）调查报告中，记载了30余起召回案例，其中过半为免洗型护肤产品，这些召回产品极有可能因防腐设计欠妥而引发微生物污染。
为实施恰当的防腐设计，自古便有针对防腐剂作用原理的探究。在实际配方中，不仅防腐剂对微生物有作用，非防腐剂的各类配合成分同样会对防腐剂或微生物产生影响，这极大提升了配方防腐设计与防腐效能预测的技术难度。通常，配方防腐效能的评定在产品研发阶段借助保存效力试验（PET）完成，该试验一般需约1个月的较长周期，一旦试验未达标，可能造成产品研发滞后。为此，化妆品企业始终在推进保存效力试验的快速法、替代法以及基于计算的防腐效果预测法的研发。
本研究旨在搭建一种能在开发早期筛出保存效力试验未达标配方的体系，运用人工智能（AI）依据配方成分开展防腐效能预测剖析。研究以安全性考量下防腐剂配比限制严苛、且配方特性上金黄色葡萄球菌易残留的免洗型护肤产品（化妆品、医药部外品、医药品）为对象。除防腐剂外，还纳入了对配方防腐效能影响可能性大的成分种类及浓度，研讨了对金黄色葡萄球菌配方防腐效能展开预测的工艺。
化妆品、医药部外品以及医药品从制造、流通、开封后到耗尽的整个生命周期中，防范微生物污染属于制造销售方的职责。鉴于多数产品在非无菌环境下生产，且多非一次用完即弃的包装，因此必须在生产和开封使用阶段抑制微生物繁殖。为管控混入的微生物，需依据产品特性赋予配方适宜的防腐效能。
配方的防腐效能主要借助防腐剂发挥，然而防腐剂也会作用于人体皮肤等，为不招致安全问题，各国对可应用的防腐剂种类和用量均有严苛约束。配方研发者和防腐防霉人员需在尽可能低的浓度下使用有限种类的防腐剂，以兼顾防腐效能与安全性。因此，对防腐剂限制严苛的免洗型护肤品，其防腐设计技术难度极高。据2009-2016年日本国内化妆品及医药部外品的Class II回收信息调查报告显示，30余起回收案例中过半为免洗型护肤品，这些产品可能因防腐设计欠妥而触发微生物污染。
为开展恰当的防腐设计，针对防腐剂作用机制的探究由来已久。在产品配方中，不仅防腐剂对微生物产生作用，其他各类成分同样会影响防腐剂和微生物。这是导致配方防腐设计与防腐效能预测技术难度大的原因。配方防腐效能的评价通常在产品研发阶段通过保存效力试验完成，该试验一般需约1个月时间，若未达标则可能导致产品研发滞后。因此，化妆品企业始终在研发保存效力试验的快速法、替代法及通过计算预测防腐效果的途径。
为了在开发早期筛出保存效力试验未达标的配方，我们借助人工智能对基于配方成分的防腐效能展开了预测剖析。研究对象为安全性要求高、防腐剂限制严苛且配方特性上金黄色葡萄球菌易残留的免洗型护肤品（化妆品、医药部外品、医药品）。除防腐剂外，还纳入了对防腐效能影响较大的成分种类和浓度，研讨了对金黄色葡萄球菌防腐效能展开预测的工艺。
配方的剂形涵盖：可溶系、油包水乳化 (O/W)、水包油乳化 (W/O) 以及多重乳化。在249个配方中，237个配方充当训练数据，12个配方充当测试数据。
表1 用于搭建防腐效能预测模型的数据
a. 涵盖交叉验证验证数据的训练数据
b. 测试数据
在配方成分中，遴选了对防腐效能影响可能性大的53种成分充当说明变量（解释变量），以使用金黄色葡萄球菌的保存效力试验结果（合格或不合格）充当目的变量（目标变量）。
在249个配方的全部217种配合成分中，遴选了防腐剂、防腐助剂、防腐效能降低剂及精制水共53种成分的种类及其配合浓度充当说明变量（表2）。对于部分成分，采用了基于理论计算得出的水相浓度而非配合浓度。
表2 搭建预测模型所使用的说明变量
*：表示使用水相浓度充当说明变量的成分。对于上述带有星号（*）的成分（即甲基、丙基、丁基对羟基苯甲酸酯，苯氧乙醇，IPMP，以及烷二醇类和乙醇），鉴于其亲水性或亲油性的差别，直接使用配合浓度无法精准反映其在水相中作用于微生物的有效浓度。因此，研究参照了既有文献的方法，通过理论公式计算了它们在「水相中的浓度」充当说明变量。具体计算途径如下：
（1） 防腐剂水相浓度的计算
首先，表3展示了代表性油相成分与水之间甲基对羟基苯甲酸酯的分配系数
表3 在代表性油性成分与水之间的分配系数
Km
Km:甲基对羟基苯甲酸酯在各油性成分与水之间的分配系数。
利用甲基对羟基苯甲酸酯的分配系数Km，能够借助以下比例式(1)计算出其他防腐剂对应各种油的分配系数
其中，WS为对羟基苯甲酸甲酯在25℃水中的最大溶解度，WSi为任意防腐剂在25℃水中的最大溶解度（表-4）。由于防腐剂向水相的分配取决于其在水中的溶解性，因此基于对羟基苯甲酸甲酯与各种防腐剂在水中的最大溶解度，以及对羟基苯甲酸甲酯在各种油脂中的分配系数的比例关系，能够求得各种防腐剂在各种油脂中的分配系数。防腐剂在水相中的分配被认为依赖于其在水中的溶解性，因此基于甲基对羟基苯甲酸酯与各种防腐剂在水中的最大溶解量，以及各种油对甲基对羟基苯甲酸酯的分配系数的比例公式，求出了各种油对各种防腐剂的分配系数。各防腐剂在水中的最大溶解度见表4。
表4 防腐剂在25℃水中的最大溶解度
接下来，对于由油成分1~n组成的配方，依照浅贺公式，计算防腐剂在混合油与水之间的分配系数（混合油的分配系数）：
Kt为油性成分t对防腐剂i的分配系数，Wt为油性成分t的添加浓度。求出防腐剂i的水相浓度
Ce为防腐剂的添加浓度，Kiφ为油相重量/水相重量。
（2） 烷二醇类及乙醇水相浓度的计算与合算对于由直链碳数为3或4的烷二醇类1~n组成的配方，依照公式计算其水相浓度
Cj为烷二醇类的添加浓度。对于1,2-Pentanediol，通过计算其水相浓度
Ck为1,2-Pentanediol的添加浓度。
对于乙醇，通过公式计算其水相浓度
C1为乙醇的添加浓度。
为了反映各成分对防腐效能影响的差别（根据经验，1,2-Pentanediol在碳数4以下烷二醇类水相浓度值的1/2量，乙醇在2/3量时即可发挥同等防腐作用），将上述计算结果通过公式合算，界定为配方的「烷二醇类及乙醇的水相浓度Cwm」充当一个综合说明变量：
对于上述计算之外的3种防腐剂、5种防腐助剂、34种防腐效能降低剂以及精制水，直接使用其配合浓度充当说明变量。
目的变量为使用金黄色葡萄球菌开展的保存效力试验结果（合格或不合格）。试验按照ISO 11930的标准条件执行。使用金黄色葡萄球菌NBRC13276充当试验菌，将菌液接种并混合于配方中，经过一定时间保存后，测定配方中的活菌数，计算对数减少值。以ISO 11930 Criteria B的LRV（即保存第14天的LRV≥3）充当合格，不满足则为不合格。
研究运用了机器学习软件「Prediction One」（索尼网络通信公司研发）。将训练数据录入软件，基于说明变量（防腐剂、防腐助剂、防腐效能降低剂、精制水的种类及其水相或配合浓度），对目的变量（保存效力试验结果）展开了预测剖析。构建了将目的变量区分为合格或不合格的二值分类模型。缺失值（即配方中未配合某成分时）的水相浓度或配合浓度设为0。
Prediction One具备分析各说明变量对预测结果贡献度的功能。本研究借助该功能确认了各成分及其浓度的贡献度。此外，实施了5折交叉验证（将数据拆分为5份，1份充当测试数据，4份充当学习数据），以验证模型的预测精度及泛化性能（对未知数据的预测能力）。
根据预测结果生成了混淆矩阵，计算了以下指标：
同时，绘制了ROC曲线（以True Positive Rate为纵轴，False Positive Rate为横轴）并计算了AUC（曲线下面积，越接近1模型精度越高）。最终，运用12个配方的测试数据对模型展开了最终评定。
流程机器学习被运用于基于化妆品等免洗型护肤产品的成分及浓度，预测对金黄色葡萄球菌的防腐效能。研究流程概要如图1所示。
按照描述的方法，计算了易分配至油相的防腐剂水相浓度，以及易分配至水相的烷二醇类和乙醇的水相浓度，共计遴定了53种成分充当说明变量。
运用金黄色葡萄球菌对249个配方展开了防腐效能评价，结果见表5所示。
表5 数据的目的变量
LRV: Logarithmic Reduction Value. 所有LRV均在14天的采样间隔获得。结果显示，238个配方合格，11个配方不合格。这些结果被充当目的变量运用于机器学习。
Prediction One软件构建了二值分类模型。尽管无法从软件获取分析算法的详细信息，但通过贡献度剖析发现：对羟基苯甲酸酯类、IPMP、苯甲酸、烷二醇类等防腐剂及防腐助剂在浓度较高时，对预测「合格」的贡献度较大；而部分多糖类及植物提取物等防腐效能降低剂在浓度较高时，对预测「不合格」的贡献度较大。折交叉验证的混淆矩阵结果见表6所示。
表6 预测模型的混淆矩阵
TP: True Positive, TN: True Negative, FP: False Positive, FN: False Negative.
根据混淆矩阵计算得出：
模型的AUC值为0.696，软件对其AUC的评价为「标准」。ROC曲线如Fig.-3所示。
图2 ROC曲线评估预测模型结果
图中实线为ROC曲线（AUC: 0.696），虚线为随机猜测线（AUC: 0.5）。实线位于虚线之上，但未极度靠近左上角，表明模型具备一定区分能力但仍有改进余地。
随后，运用12个测试配方对模型展开了验证。这些测试数据分为两类：一类是与训练数据配方骨架及基剂种类浓度近似的4个配方（#14, 27, 30, 38）；另一类是与训练数据完全不同的8个配方（#7, 35, 36）。评价结果见表7所示。
表7 预测模型的精度评价结果
LRV: Logarithmic Reduction Value of S. aureus.
结果显示，所有12个测试数据的预测值均与实测值一致，表明模型对未知配方骨架同样具备较好的预测能力。
本研究表明，运用AI基于配方成分种类及浓度预测对金黄色葡萄球菌的保存效力试验结果是可行的。Prediction One基于神经网络和梯度提升树等算法自动执行机器学习。针对机器学习常见的「过拟合」问题（训练数据精度高但未知数据精度低），本研究采取了变量遴选和特征提取的策略。
模型能够精准预测未学习配方骨架的数据，原因主要有两点：
精确的说明变量遴选：将影响防腐效能较大的成分限定为防腐剂、防腐助剂、防腐效能降低剂。虽然配方骨架繁多，但这些关键成分在不同配方间具有较高共通性，从而减轻了剂型差异带来的影响。
引入水相浓度概念：对于疏水性高的防腐剂及烷二醇类，使用理论计算的水相浓度而非配合浓度。在乳液中，防腐剂按油水分配系数分配，唯有水相中的防腐成分才能作用于微生物。通过考虑油相极性计算混合油的分配系数，量化了防腐剂的真实效能，显著提升了预测精度。
关于烷二醇类，有报告称其仅与革兰氏阴性菌的防腐效能相关，但谷口等人和Antoce等人的研究指出，Butane-1,3-diol、1,2-Pentanediol等对金黄色葡萄球菌（革兰氏阳性菌）同样具有抗菌性。研究团队在实际配方中也发现，烷二醇类的配合与否及水相浓度高低会改变对金黄色葡萄球菌的防腐效能。因此，本研究将其纳入说明变量。
此外，由于1,2-Pentanediol和乙醇的抗菌性高于碳数4以下的烷二醇类，单纯加总浓度并不精准。研究团队基于经验知见（1,2-Pentanediol效力为其他烷二醇的2倍，乙醇为1.5倍），构建了综合化变量Cwm，有效提高了特征表达的准确性。
尽管正解率高达0.962，但以筛出「不合格」配方为重点的指标（适合率0.571、再现率0.400、F值0.471）并不理想，AUC也仅为0.696。这意味着模型在精准捕捉不合格配方方面仍存在挑战。
造成这一问题的核心原因是数据不均衡。在249个配方中，合格配方多达238个，不合格仅有11个。免洗型护肤品防腐设计难度虽高，但由于企业内部积淀了丰厚的经验与技术，保存效力试验不合格属于罕见事件。运用此类偏向某一类别的数据训练模型，往往会造成整体正解率偏高，但对少数派（不合格）的预测精度降低。这种不均衡数据预测问题在机械故障检测、药物副作用预测等领域也广泛存在，且由于罕见事件常引发重大问题，提高其预测精度至关重要。
为提升对不合格配方的检测精度，未来计划采取以下举措：
数据删除与扩充：删除部分合格数据（多数派类别），或追加、扩充不合格数据（少数派类别）。
持续积累数据：通过不断积累和改良训练数据，搭建能高精度筛出不合格配方的模型。
扩展预测对象：虽然本次目的变量仅为金黄色葡萄球菌，但该方法论具有通用性。未来准备扩展至其他试验菌（如大肠杆菌、铜绿假单胞菌、白色念珠菌等）的保存效力试验预测，尽管面临准备均衡训练数据的挑战，但将推进相关研究。
[1] 滨田昌子, 渡边爱, 五味満裕. 人工知能による防腐性予测技术の検讨[J]. J. Soc. Cosmet. Chem. Jpn., 2023, 57(4): 324-333.