デフォーミュレーションとは、既知の製品の正確な組成を特定するプロセスです。成分の相対的な比率から出発し、各成分の正確な量を決定します。デフォーミュレーションは、化学的なリバースエンジニアリングとも呼ばれます。
化学製品のデフォーミュレーションにより、組織は以下のことが可能になります。
- 既存の配合から新しいレシピを導き出す。
- 競合インテリジェンスを向上させる。
- 競合製品をベンチマークする。
- 模倣品を特定する。
- プライベートブランド製品を開発する。
研究者は化学物質や材料の発見・最適化に機械学習を活用していますが、デフォーミュレーションは通常、分析化学的手法を用いて実験的に行われています。化学配合物に関して利用可能な構造化データが比較的少ないことが、AIを活用した多くのデフォーミュレーションの取り組みを妨げています。広く利用可能な配合データの多くは、成分やその量に関する記録が不完全で一貫性に欠けています。
データ駆動型の迅速な配合レシピ提案を可能にする予測モデルのトレーニング
『Industrial Engineering Chemistry Research』誌に掲載された論文、「Toward Predictive Chemical Deformulation Enabled by Deep Generative Neural Networks（深層生成ニューラルネットワークによる予測的化学デフォーミュレーションに向けて）」は、教師なし生成モデルである変分オートエンコーダー（VAE）をトレーニングすることで、データ駆動型の迅速な配合レシピ提案が可能であることを示しています。
CASの科学者が精査した配合データでトレーニングされたVAEニューラルネットワークは、制汗剤やオーラルケアなど、さまざまな製品クラスにおける配合の有意義な表現を学習し、従来の手法よりも平均して優れた性能を発揮しました。同論文は、この手法が「最近傍法よりも大幅に正確な推定値を生成し、これまでに見られなかった配合に対しても優れた外挿性を示し、産業的に関連性の高い機能のために大規模なデータセットを活用する方法を提供する」と述べています。
CAS Content Collection™に収載された精査済みの配合データは、配合物とその成分の化学的同一性に関する一貫性のある高度に構造化された表現を提供します。専門技術と科学的専門知識の両方を活用する独自のキュレーションプロセスにより、CASは各配合物の化学成分、そのグループ分け、および量を一貫して特定できます。著者らは、「CASのデータセットなしでは、デフォーミュレーション用途におけるこれらの生成手法の実際的な検証は不可能だっただろう」と報告しています。
これらの調査結果の詳細は、論文全文「Toward Predictive Chemical Deformulation Enabled by Deep Generative Neural Networks」をご覧ください。
より正確なデフォーミュレーション予測の実現に関心をお持ちですか？CASカスタムサービスでは、独自のニーズに合わせて、専門技術、科学的専門知識、そして比類のないコンテンツをカスタマイズして提供します。
