역배합(deformulation)은 알려진 생성물의 정확한 구성을 결정하는 프로세스입니다. 성분의 알려진 상대적 비율부터 각 성분의 정확한 양을 결정합니다. 역배합(deformulation)은 화학적 역설계라고도 합니다.

조직은 화학 제품 역배합으로 다음과 같은 이점을 얻을 수 있습니다.

• 기존 제형에서 새로운 레시피를 추정합니다.
• 경쟁 지능을 향상시킵니다.
• 경쟁 제품을 벤치마킹합니다.
• 위조물을 식별합니다.
• 자사 브랜드 제품을 개발합니다.

연구원들이 화학 물질과 재료를 발견하고 최적화하는 데 머신 러닝을 활용하는 추세로 변화되었으며 역배합(deformulation)은 일반적으로 분석화학 방법을 활용한 실험 형태로 수행되고 있습니다. 화학적 배합에 대한 구조적 데이터가 상대적으로 적다는 사실은 많은 AI 기반 역배합(deformulation) 노력을 방해합니다. 널리 사용되는 제형 데이터 중 상당 수가 불완전하며 성분 기록과 양적인 측면에서 일관되지 않습니다.

데이터 중심의 제형 레시피를 빠르게 제안하기 위한 예측 모델 교육

Industrial Engineering Chemistry Research가 발표한 심층, 발생 신경망을 이용한 예측 화학적 배합(Toward Predictive Chemical Deformulation Enabled by Deep Generative Neural Networks)에서는 무감독 생성 모델인 VAE(Variational AutoEncoder)가 데이터 중심의 제형 레시피를 빠르게 제안하도록 훈련시킬 수 있음을 설명합니다.

CAS 과학자가 엄선한 제형 데이터를 습득한 VAE 신경망은 발한 억제제, 구강 관리제 등의 다양한 제품에 기존 방식보다 일반적으로 성능이 더 우수한 의미 있는 제형 표현을 학습합니다. 이 글에서는 이러한 접근 방식이 "근접 이웃 방법보다 훨씬 정확한 추정값을 생성하고 이전에 알려진 제형과 크게 다른 제형으로 보다 정확하게 추론될 수 있으며 산업적으로 관련이 있는 기능에 대해 많은 데이터를 활용할 수 있는 방법을 제공"한다고 주장합니다.  

CAS Content Collection™의 엄선된 제형은 제형과 그 구성 요소의 화학적 특성(chemical identity)에 대한 일관되고 고도로 구조화된 표현을 제공합니다. CAS는 전문 기술과 과학적 전문성을 모두 활용하는 특별한 엄선 프로세스에 따라 각 제형의 화학적 구성 요소와 그 그룹 및 양을 지속적으로 식별할 수 있습니다. 저자는 “CAS 데이터세트가 없었다면 역배합(deformulation) 용도로 사용하는 이러한 생성 방법의 실질적인 유효성 검증이 불가능했을 것"이라고 말합니다.

"심층, 발생 신경망을 이용한 예측 화학적 배합(Toward Predictive Chemical Deformulation Enabled by Deep Generative Neural Networks)" 전문에서 관련 내용을 확인하실 수 있습니다.

보다 정확한 역배합(deformulation) 예측에 관심이 있으신가요? CAS Custom Services는 사용자의 고유한 요구를 충족시킬 수 있는 CAS만의 전문 기술, 과학적 전문성, 또한 탁월한 콘텐츠를 제공합니다.