CN114008714A - 用于产生产品的系统和方法 - Google Patents
用于产生产品的系统和方法 Download PDFInfo
- Publication number
- CN114008714A CN114008714A CN202080045484.5A CN202080045484A CN114008714A CN 114008714 A CN114008714 A CN 114008714A CN 202080045484 A CN202080045484 A CN 202080045484A CN 114008714 A CN114008714 A CN 114008714A
- Authority
- CN
- China
- Prior art keywords
- chemical composition
- property
- value
- sample
- under consideration
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
- G16C20/00—Chemoinformatics, i.e. ICT specially adapted for the handling of physicochemical or structural data of chemical particles, elements, compounds or mixtures
- G16C20/30—Prediction of properties of chemical compounds, compositions or mixtures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
- G16C20/00—Chemoinformatics, i.e. ICT specially adapted for the handling of physicochemical or structural data of chemical particles, elements, compounds or mixtures
- G16C20/10—Analysis or design of chemical reactions, syntheses or processes
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
- G16C20/00—Chemoinformatics, i.e. ICT specially adapted for the handling of physicochemical or structural data of chemical particles, elements, compounds or mixtures
- G16C20/70—Machine learning, data mining or chemometrics
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
- G16C60/00—Computational materials science, i.e. ICT specially adapted for investigating the physical or chemical properties of materials or phenomena associated with their design, synthesis, processing, characterisation or utilisation
Abstract
公开一种用于产生产品的系统、设备和/或方法。接收包含成分的样本化学组合物的身份。接收所述样本化学组合物的性质的值和与所述样本化学组合物的所述性质的所述值有关的特征。将所述样本化学组合物的所述性质的所述值、与所述样本化学组合物的所述性质的所述值有关的所述特征以及所述样本化学组合物的所述身份输入到机器学习模型中。经由所述机器学习模型,基于与所考虑化学组合物的所述性质的所述值有关的特征和所述所考虑化学组合物的身份来确定所述所考虑化学组合物的所述性质的所述值。产生由所述所考虑化学组合物组成的产品。
Description
相关专利申请的交叉引用
本申请要求2019年11月4日提交的美国非临时申请序列号16/672,922的优先权权益,所述美国非临时申请是2019年6月25日提交的美国非临时申请序列号16/452,214的延续,前述美国非临时申请的内容以全文引用的方式并入本文中。
背景技术
许多产品由组合物形成,例如由化学组合物形成。化学组合物通常包括许多不同成分。所述成分中的每一者具有与成分相关联的特定值,例如化学信息值。此外,化学组合物的一种或多种性质(例如pH、消费者感知)可例如基于组合物内的成分而具有唯一值。化学组合物的性质的值可能由于组合物内的成分的相互作用而改变。
一些产品,例如食品,由其中成分不一定是化学物质而是自然界中的复合物且本身是复合材料的组合物形成。这些产品的属性(例如,营养素概况)可以类似的方式描述并且与成分相关联。它们的值,无论是简单的还是复杂的,都可能是唯一的,并且可以以实验方式或计算方式导出(例如,测量或计算)。类似于由化学物质形成的产品,组合物的性质的值可能由于组合物内的成分的相互作用而改变。
存在用于预测化学组合物的一种或多种性质的值的常规方法。然而,此类方法通常耗时且无关紧要。例如,预测化学组合物的pH值的常规方法包括(1)以实验方式测量化学组合物以确定pH值;以及(2)执行数学预测计算以确定pH值(例如,使用已知酸度常数,例如pKa值)。然而,这些方法由于相应方法涉及的时间和/或复杂性而存在缺陷。因此,期望能以需要更少时间和/或更少复杂性的方式确定化学组合物的性质的值的系统和/或方法。
发明内容
公开一种用于产生产品的系统、设备和/或方法。接收包含成分的样本化学组合物的身份。接收所述样本化学组合物的性质的值和与所述样本化学组合物的所述性质的所述值有关的特征。将所述样本化学组合物的所述性质的所述值、与所述样本化学组合物的所述性质的所述值有关的所述特征以及所述样本化学组合物的所述身份输入到机器学习模型中。经由所述机器学习模型,基于与所考虑化学组合物的所述性质的所述值有关的特征和所述所考虑化学组合物的身份来确定所述所考虑化学组合物的所述性质的所述值。产生由所述所考虑化学组合物组成的产品。
公开一种用于产生产品的系统、设备和/或方法。接收所关注特性的身份和样本化学组合物的身份。对于所述样本化学组合物中的每一者,接收性质的值。仅对于具有所述所关注特性的所述样本化学组合物中的每一者,将所述样本化学组合物的性质的值以及(1)所述样本化学组合物的所述身份或(2)所述样本化学组合物的所述成分的所述化学信息性质的所述值中的至少一者输入到模型中。经由所述模型,基于所述所考虑化学组合物的身份或所述所考虑化学组合物的所述成分的化学信息性质的值来确定所述所考虑化学组合物的所述性质的所述值。产生具有所述所考虑化学组合物的产品。
公开了一种用于确定所考虑化学组合物的性质的值的系统、设备和/或方法。可以接收样本化学组合物的身份。样本化学组合物可以包含成分。所述成分中的每一者可以与所述样本化学组合物的化学信息性质中的某一化学信息性质的值相关联。可以接收所述样本化学组合物的性质的值。所述样本化学组合物的所述性质可受所述样本化学组合物的所述成分中的至少两者的相互作用影响。可以将所述样本化学组合物的所述性质的所述值以及(1)所述样本化学组合物的所述身份或(2)所述样本化学组合物的所述成分的所述化学信息性质的所述值中的至少一者输入到模型中。可以经由所述模型,基于(1)所述所考虑化学组合物的身份或(2)所述所考虑化学组合物的成分的化学信息性质的值中的至少一者来确定所述所考虑化学组合物的所述性质的所述值。所述所考虑化学组合物的所述性质可受所述所考虑化学组合物的所述成分中的至少两者的相互作用影响。
在另一方面,可以确定所考虑化学组合物的性质的值。可以接收样本化学组合物的身份。所述身份可以包括成分。所述成分中的一者或多者(例如,每一者)可以与所述样本化学组合物的化学信息性质中的某一化学信息性质的值相关联。可以接收所述样本化学组合物的样本理化性质的值。所述样本化学组合物的所述样本理化性质可受所述样本化学组合物的所述成分中的至少两者的相互作用影响。可以将所述样本化学组合物的所述样本理化性质的所述值输入到模型中。可以将所述样本化学组合物的所述身份和/或所述样本化学组合物的所述成分的所述化学信息性质的所述值输入到模型中。可以经由所述模型确定所述所考虑化学组合物的所考虑理化性质的所述值。所述值可以基于所述所考虑化学组合物的身份和/或所述所考虑化学组合物的成分的化学信息性质的值。所述所考虑化学组合物的所述所考虑理化性质可受所述所考虑化学组合物的所述成分中的至少两者的相互作用影响。所述所考虑理化性质可不同于所述样本理化性质。
在另一方面,可以确定所考虑化学组合物的性质的值。可以接收所关注特性的身份。可以接收样本化学组合物的身份。所述样本化学组合物中的每一者可以包含各自与所述样本化学组合物的化学信息性质中的某一化学信息性质的值相关联的成分。对于所述样本化学组合物中的每一者,可以接收受所述样本化学组合物的所述成分中的至少两者的相互作用影响的性质的值。对于具有所述所关注特性的所述样本化学组合物中的每一者(例如,仅对于每一者),可以将所述样本化学组合物的所述性质的所述值以及(1)所述样本化学组合物的所述身份或(2)所述样本化学组合物的所述成分的所述化学信息性质的所述值中的至少一者输入到模型中。可以经由所述模型确定所述所考虑化学组合物的所述性质的所述值。所述值可以基于(1)所述所考虑化学组合物的身份或(2)所述所考虑化学组合物的所述成分的化学信息性质的值中的至少一者。所述所考虑化学组合物的所述性质可受所述所考虑化学组合物的至少两种成分的相互作用影响。
在另一方面,可以产生由具有所考虑化学性质的值的所考虑化学组合物组成的产品。可以接收包含成分的样本化学组合物的身份。所述成分中的每一者可以与所述样本化学组合物的化学信息性质中的某一化学信息性质的值相关联。可以接收所述样本化学组合物的训练化学性质的值。所述训练化学性质的所述值可以基于所述训练化学性质的所述值的实验测量或所述训练化学性质的所述值的数学测量中的至少一者。可以使用所述样本化学组合物的所述化学信息性质的值和所述样本化学组合物的所述训练化学性质的所述值构建学习模型。可以将所述所考虑化学性质的所述值输入到所述学习模型中。可以经由所述学习模型和/或基于所述所考虑化学性质的所述值确定具有所述所考虑化学性质的所述值的所述所考虑化学组合物的化学信息性质的值。可以产生包含具有所述所考虑化学性质的所述值的所述所考虑化学组合物的所述产品。
在另一方面,可以确定具有成分的所考虑化学组合物的值。可以接收具有化学性质的定义值的样本化学组合物的身份。所述样本化学组合物可以由与所述所考虑化学组合物的成分不同的成分组成。可以生成包含所述样本化学组合物的所述身份和所述样本化学组合物的所述化学性质的所述定义值的训练集。可以基于所述训练集构建用于确定所述所考虑化学组合物的化学性质的值的模型。可以经由所述模型,例如基于所述所考虑化学组合物的身份和所述训练集确定所述所考虑化学组合物的所述化学性质的所述值。可以接收所述所考虑化学组合物的所述化学性质的所述值。
在另一方面,可以接收包含成分的样本化学组合物的身份。所述成分中的每一者可以与所述样本化学组合物的化学信息性质中的某一化学信息性质的值相关联。可以接收与所述样本化学组合物的性质的值相关联的拟合参数的值。所述样本化学组合物的所述性质可受所述样本化学组合物的所述成分中的至少两者的相互作用影响。可以将与所述样本化学组合物的所述性质的所述值相关联的所述拟合参数值和/或(1)所述样本化学组合物的所述身份或(2)所述样本化学组合物的所述成分的所述化学信息性质的所述值中的至少一者输入到模型中。可经由所述模型确定所述所考虑化学组合物的拟合参数值。拟合参数值可以基于(1)所述所考虑化学组合物的身份或(2)所述所考虑化学组合物的成分的化学信息性质的值中的至少一者。
在另一方面,可以识别所考虑化学组合物。可以接收样本化学组合物的成分的化学信息性质的值。可以接收所述样本化学组合物的性质的值。所述性质可受所述成分中的至少两者的相互作用影响。可以将所述样本化学组合物的所述成分的所述化学信息性质的所述值和所述样本化学组合物的所述性质的所述值输入到模型中。可以经由所述模型,例如基于(1)所述所考虑化学组合物的成分的化学信息性质的值或(2)所述所考虑化学组合物的性质的值中的至少一者来确定所述所考虑化学组合物的身份。所述所考虑化学组合物的所述性质可受所述所考虑化学组合物的所述成分中的至少两者的相互作用影响。
在另一方面,可以接收第一组合物的组分的身份。所述组分中的每一者可以具有预定义特性中的某一预定义特性的值。可以接收所述第一组合物的性质的值。所述性质可受所述第一组合物的所述组分中的至少两者的相互作用影响。可以使用所述第一组合物的所述组分的所述预定义特性的所述值和所述第一组合物的所述性质的所述值来训练学习模型。可以将第二组合物的第二组分的身份提供到所述学习模型。所述第二组分中的至少一者可不同于所述第一组分中的至少一者。可以经由所述学习模型确定所述第二组合物的性质的值。所述第二组合物的所述性质可受所述第二组合物的所述组分中的至少两者的相互作用影响。
在另一方面,可以确定所考虑化学组合物的性质的值。可以从与产品相关联的化学组合物接收所述所考虑化学组合物的身份。所述所考虑化学组合物可以包括成分。可以接收化学信息性质的值。每个值可以与所述所考虑化学组合物的所述成分中的相应一者相关联。可以基于(1)所述所考虑化学组合物的所述身份或(2)与所述所考虑化学组合物的所述成分中的所述相应一者相关联的所述化学信息性质的所述值中的至少一者来确定所述所考虑化学组合物的所述性质的所述值。所述模型可根据(1)化学组合物的身份或(2)所述化学组合物的成分的化学信息性质的值中的至少一者以及所述化学组合物的性质的值来训练。所述所考虑化学组合物的所述性质的所述值可受所述所考虑化学组合物的所述成分中的至少两者的相互作用影响。
在另一方面,可以创建模型以确定所考虑化学组合物的性质的值。可以接收包含成分的样本化学组合物的身份。所述成分中的每一者可以与所述样本化学组合物的化学信息性质中的某一化学信息性质的值相关联。可以接收样本组合物的性质的值。所述性质可受所述样本化学组合物的所述成分中的至少两者的相互作用影响。可以通过处理所述样本化学组合物的所述性质的所述值以及(1)所述样本组合物的身份或(2)所述样本化学组合物的所述成分的所述化学信息性质的所述值中的至少一者来训练模型以确定所述所考虑化学组合物的所述性质的所述值。所述模型可被配置成基于(1)所述所考虑化学组合物的身份或(2)所述所考虑化学组合物的成分的化学信息性质的值中的至少一者来确定所述所考虑化学组合物的所述性质的所述值。
附图说明
从具体实施方式和附图,本发明将得到更充分的理解,在附图中:
图1A是实例组合物的成分表;
图1B是其中消费者可能具有感知的组合物的实例性质表;
图2A是组合物的实例组分的框图,所述组分包括组合物的成分和物质;
图2B是另一实例组合物的成分表,提供成分的身份和成分的百分比;
图3A是使用机器学习规则确定组合物的值的实例过程;
图3B是用于确定组合物的值的实例系统;
图4是使用机器学习规则确定组合物的值的另一实例过程;
图5是包括用户装置的实例系统的框图;
图6是包括对性质引擎的训练的实例系统的框图;
图7是组合物的成分的实例功能表;
图8是组合物的成分的实例功能表;
图9A、9B、9C是对机器学习模型的实例训练以及从机器学习模型接收值的框图;
图10A、10B、10C是用于训练性质引擎的实例图形用户界面(GUI);
图11A、11B、11C、11D是用于经由性质引擎接收确定值的实例图形用户界面(GUI);
图12是如本文所述确定组合物的值的实例方法;以及
图13是如本文所述确定组合物的值的另一实例方法。
具体实施方式
以下对于一个或多个优选实施例的描述在性质上仅是示例性的,并且绝不应限制本发明。说明性实施例的描述旨在结合附图阅读,这些附图将被视为整个书面描述的部分。在本文中公开的示例性实施例的描述中,对方向或定向的任何提及仅旨在方便描述,且不旨在以任何方式限制本发明的范围。本文的讨论描述并例示了可单独或以特征的其它组合存在的特征的一些可能的非限制性组合。此外,如本文所用,术语“或”理解为无论其操作数中的一个或多个在任何时候为真时均导致真的逻辑运算符。此外,如本文所用,短语“基于”理解为意指“至少部分地基于”,因此不局限于“完全基于”的解释。
通篇使用的范围用作描述范围内的每个值的简略表达方式。可以选择范围内的任何值作为范围的端点。此外,本文中引用的所有参考文献都以全文引用的方式并入。在本公开中的定义与所引用的参考文献的定义冲突的情况下,以本公开为准。
本发明的特征可在软件、硬件、固件,或它们的组合中实现。本文所述的计算机程序不限于任何具体的实施例,并且可在操作系统、应用程序、前台或后台过程、驱动器或它们的任何组合中实现。计算机程序可以在单个计算机或服务器处理器或多个计算机或服务器处理器上执行。
本文所述的处理器可以是任何中央处理单元(CPU)、微处理器、微控制器、计算或可编程装置或被配置成执行计算机程序指令(例如,代码)的电路。各种处理器可以体现在任何合适类型的计算机和/或服务器硬件(例如,台式机、膝上型电脑、笔记本电脑、平板电脑、蜂窝电话等)中,并且可以包括形成功能数据处理装置所需的所有常规辅助部件,包括但不限于总线、软件和数据存储装置(例如易失性和非易失性存储器)、输入/输出装置、图形用户界面(GUI)、可移动数据存储装置以及包括Wi-Fi、蓝牙、LAN等的有线和/或无线通信接口装置。
计算机可执行指令或程序(例如,软件或代码)以及本文所述的数据可编程到且有形地体现在非暂时性计算机可读介质中,所述非暂时性计算机可读介质可通过如本文所述的相应的处理器访问和检索,通过执行编码在介质中的指令来配置和指导处理器执行期望的功能和过程。体现被配置成此类非暂时性计算机可执行指令或程序的可编程处理器的装置可称为“可编程装置”或“装置”,并且相互通信的多个可编程装置可称为“可编程系统”。应当指出的是,如本文所述的非暂时性“计算机可读介质”可包括但不限于可被写入和/或通过可操作地连接至介质的处理器读取的任何合适的易失性或非易失性存储器,包括随机存取存储器(RAM)及其各种类型、只读存储器(ROM)及其各种类型、USB快闪存储器,以及磁或光数据存储装置(例如,内部/外部硬盘、软盘、磁带CD-ROM、DVD-ROM、光盘、ZIPTM驱动、蓝光(Blu-ray)盘以及其它装置)。
在某些实施例中,本发明可以计算机实施的过程和设备(例如,基于处理器的数据处理和通信系统或用于实践那些过程的计算机系统)的形式体现。本发明还可以体现于非暂时性计算机可读存储介质中的软件或计算机程序代码的形式体现,在下载且通过数据处理和通信系统或计算机系统执行时,计算机程序代码片段将处理器配置成产生配置成实现所述过程的特定的逻辑电路。
组合物可以包括一种或多种成分(例如,组分)。例如,组合物可以包括第一、第二、第三等成分。组合物的一种或多种成分可以对组合物的一种或多种其它成分产生影响。另外或替代地,一种或多种成分可以对组合物(例如,组合物作为整体)产生影响。
组合物可以是化学组合物,但在一些实施例中,组合物可以是非化学组合物。组合物可以形成产品。组合物(例如,由化学组合物形成的产品)可用于一个或多个目的。例如,由化学组合物形成的产品可以用于烹饪;清洁;消费、个人护理;治疗/测试疾病、病症、病况;以及一个或多个其它目的。组合物(例如,化学组合物)可用于执行任务。例如,化学组合物可用于执行测试,例如水纯度测试。
化学组合物可以形成产品(例如,个人护理产品),但个人护理产品仅用于说明目的,并且化学组合物可以形成一种或多种其它产品,例如食品、药物等。可存在个人护理产品以增强用户的健康、卫生、外观、气味等。这样的个人护理产品可包含一种或多种由一种或多种成分组成的化学组合物。个人护理产品可包括包含口腔护理组合物的口腔护理产品、包含皮肤护理组合物的皮肤护理产品、包含毛发护理组合物的毛发护理产品以及其它产品和/或化学组合物。
如本文所用,口腔护理组合物可包括其预期用途可包括口腔护理、口腔卫生、口腔外观或者其预期用途可包含施用于口腔的组合物。如本文所用,皮肤护理组合物可包括其预期用途可包括促进或改善皮肤的健康、清洁、气味、外观和/或吸引力的组合物。如本文所用,毛发护理组合物可包括其预期用途可包括促进或改善毛发的健康、清洁、外观和/或吸引力的组合物。所述组合物可用于多种目的,包括用于增强个人健康、卫生和外观,以及用于预防或治疗人和动物中的多种疾病和其它病况。
图1A示出与一种或多种组合物相关联的实例数据的表。组合物可以是化学组合物,例如化学组合物100。化学组合物100可形成产品,例如个人护理产品。如从图1A可见,化学组合物100可以包括几种成分。例如,化学组合物100可以包括甘油、月桂基硫酸钠、柠檬酸锌以及一种或多种其它成分。化学组合物100的成分中的每一者(例如,形成个人护理产品的化学组合物)可以包括在个人护理产品中,以提供一个或多个预定义特征。如图1A所提供,成分的特征可包括向化学组合物100提供甜度,向化学组合物100提供稳定因子等。例如,月桂基硫酸钠是化学组合物100的成分,其可用作化学组合物100的增溶剂或清洁剂。
图1B示出与例如化学组合物100的实例组合物相关联的额外数据的表。在实例中,化学组合物可以形成产品,例如个人护理产品、食品、药物等。化学组合物可以形成由人、动物使用、消费、出售、购买等的产品和/或其它材料。例如,化学组合物可以形成由人或动物使用的皮肤护理产品、由人或动物消费的食品、用于治疗人和/或动物的药物等。在其它实例中,组合物可以是用于清洁一个或多个表面的化学组合物、用于吸收一种或多种流体的组合物等。
图1B所提供的实例数据可与对例如个人护理产品、食品和/或药物等产品的感知有关,但可设想其它用途。产品的感知可以经由产品的消费者、产品的临床试验等来确定。图1B示出其中消费者可根据若干类别和/或特征感知化学组合物的实例。例如,消费者可能对化学组合物的颜色、粘着性、湿性、易用性、甜度等有感知。基于对形成个人护理产品的化学组合物的一种或多种特征的感知,消费者可具有对个人护理产品的偏好。例如,消费者可能更偏好具有特定颜色的牙膏、具有特定气味的洗发水、具有特定分散性的除臭剂等。
产品(例如,个人护理产品)的一个或多个消费者和/或用户可以基于消费者关于个人护理产品的一个或多个感知值来评价产品。消费者感知值可以各种方式获得,包括调查(例如,纸质或在线调查)、临床试验(例如,测量一段时间内化学组合物的使用结果的临床试验)、产品的储存条件(例如,产品存放于其中的环境)、产品的商业成功等。
如本文所提供的,临床试验可用于确定一种或多种化学组合物的使用结果。临床结果可以在一段时间内测量。例如,关于个人护理产品,临床结果可以与一段时间内的牙龈炎减少、牙齿美白、过敏缓解、皱纹减少等有关。实例可包括在使用化学组合物三个月或六个月内测量牙龈炎减少、在使用化学组合物几天/几个月内测量牙齿美白、在使用化学组合物几分钟/几个月内测量过敏缓解、和/或在使用化学组合物九十天后测量皱纹减少。尽管临床结果和时间段可与个人护理产品有关,但可针对除个人护理产品之外的化学组合物,例如食品(例如,人或动物食品)、药物等测量临床结果。例如,可以在一个月的宠物食物使用期间测量动物重量(例如,动物重量,例如犬重量)的减少,可以在六个月的药物使用期间测量健康状况(例如,人或动物的健康状况)的下降等。
临床结果可能与调配物属性有关。调配物属性可由形成产品的化学组合物的化学相互作用产生。例如,关于牙齿美白,产品的氧化电位可以是影响产品使牙齿美白的速度和范围的属性(例如,调配物属性)。关于产品的磨蚀度,薄膜清洁比(PCR)可以是影响美白效果的速度和/或范围的属性。关于牙科用载具,化学组合物中的状态(例如,所需状态)可以是与氟如何与一种或多种其它成分相互作用有关的属性。化学组合物中的期望状态可对应于氟与赋形剂成分具有最小相互作用,这可产生更多氟(例如,游离氟)。关于痤疮,抗炎性质可影响化学组合物的功效。
实例数据可以包括用户相关信息,例如人口统计信息。人口统计信息可包括与产品用户相关的地理信息(例如产品用户的当前/以前居住信息)、产品用户的血统、产品用户的年龄/身高/体重/体重指数、产品用户的体毛覆盖率、产品用户的身体汗液产生量、产品用户的皮肤皮脂产生量、生物标志物(例如,产品用户的生物标志物的存在/不存在)、遗传状态(例如,由单个变体、多个变体或其组合定义,包括用户的整个基因组)、产品用户的毛发类型/颜色、产品用户的皮肤pH值、产品用户的营养、产品用户的运动方案、产品用户的身体菌群、产品用户的当前/过去健康状况和/或状态等。生物标志物可包括指示例如疾病、感染、环境暴露等现象的人或动物的物质(例如,可测量物质)。额外实例数据可包括用户的物理特性(例如,皮肤类型,例如用户皮肤的干燥性或油性);化学组合物对皮肤的影响;皮肤上是否存在纹身和/或瑕疵;皮肤弹性;皮肤健康,皮肤色素沉着;皮肤年龄(实际的和/或感知的);拜访皮肤科医生的次数;使用防晒霜;使用润肤霜;等。实例数据可包括行为模式,例如活动、运动和一个或多个其它可量化的行为属性。
实例数据可包括产品与环境相互作用的方式。如本文所述,产品与环境相互作用的程度和/或方式可以确定产品的化学反应。例如,与产品相关联的数据可以包括形成产品的化学组合物中的一者或多者是否影响产品的化学反应的动力学。另外或替代地,与产品相关联的数据可包括形成产品的化学组合物中的一者或多者是否影响产品的相变的动力学,其中相变可包括挥发性蒸发、相变等。
与产品相关联的数据可以包括形成产品的化学组合物的其它环境属性。与产品相关联的数据可包括形成产品的化学组合物的稳定性和/或与产品的储存有关的属性。例如,产品的化学反应可能受到储存温度、储存湿度等的影响。例如,当化学组合物储存在较高温度和/或较高湿度下时,化学组合物的化学反应可以加速。实例数据可包括产品的包装。例如,产品的包装可以确定产品与环境相互作用的程度和/或方式。包装的实例可包括包装材料组合物、包装几何形状、包装不透明度等。实例数据可包括具有化学组合物的产品的形状因子。例如,数据可以包括肥皂的化学组合物是呈固体(例如,条)形式还是液体形式。
实例数据可包括消费者对由化学组合物形成的产品的感知。化学组合物(例如,形成个人护理产品、食品、药物等的化学组合物)的消费者感知可以基于产品成分中的一者或多者。例如,消费者感知值可能受到产品的例如导致个人护理产品更白或不那么白、更粘或不那么粘、导致更多灼烧感或更少灼烧感等的特定成分的一种或多种成分的影响。
图2A示出可以与组合物(例如,化学组合物)相关联的实例数据的描绘。尽管本文提供的许多实例描述了形成个人护理产品的组合物,但此类实例仅用于说明目的且是非限制性的。组合物可以形成各种产品,例如个人护理产品200、食品、药物等。
与产品相关联的数据,例如个人护理产品200,可包括身份(例如个人护理产品的名称)、个人护理产品的成分、个人护理产品成分的化学信息值、个人护理产品的临床试验和/或临床结果信息、个人护理产品的用户相关信息(例如,人口统计信息)、个人护理产品的调配物属性,或用于识别个人护理产品的一个或多个其它标识符。
例如个人护理产品200的产品可以与唯一数字212a相关联,所述唯一数字可以由用户和/或计算机在提及个人护理产品时引用。每个个人护理产品200可以具有一个或多个其它值和/或性质,例如性质212b。性质212b可以是与个人护理产品的化学组合物相关联的化学性质。例如,性质212b可以是个人护理产品的化学组合物的理化性质。化学组合物的理化性质可以与个人护理产品的化学组合物的物理性质或化学性质有关。
性质212b可以是个人护理产品的pH值和/或一条或多条其它数据,例如本文提供的实例数据。例如,性质212b可以是临床试验和/或临床结果数据、用户相关数据、产品形式因子和/或包装数据、保质期数据、生物标志物数据、调配物属性数据等。性质212b可以是消费者对个人护理产品的感知,例如图1B所示的感知。例如,消费者可能对个人护理产品的颜色、粘着性、湿性、易用性、甜度等有感知。个人护理产品的消费者感知可以基于个人护理产品的成分中的一者或多者。例如,成分可能导致个人护理产品更白或不那么白、更粘或不那么粘、导致更多灼烧感或更少灼烧感等。性质212b的值可能受个人护理产品的一种或多种成分影响。
如本文所述,组合物(例如,化学组合物)可以形成产品,例如个人护理产品、食品、药物等。化学组合物可由例如成分222、232等一种或多种成分(例如,成分数据)组成。每种成分可以包括身份,例如成分的名称或用于识别成分的其它标识符。例如,成分222可以包括名称222b和/或标识符222a。成分222可包括其它信息,例如包含成分的个人护理产品的百分比。例如,如222c中所示,成分222(例如,月桂基硫酸钠)可以是个人护理产品200的1.4999%。成分数据可包括一个或多个其它性质和/或性质的值。
每种成分可以由一种或多种物质构成。如图2A所示,成分222可由四种物质组成:水242、硫酸钠252、氯化钠262和C12-16烷基硫酸钠272。数据可以与物质中的一者或多者(例如,每一者)相关联。例如,每种物质可以包括例如物质的名称242a、252a、262a、272a或用于识别物质的其它标识符的身份。例如,物质242可以具有水的名称242a。物质(例如物质242、252、262、272)可包括一个或多个其它值,例如物质由成分构成的百分比242b、成分(例如,成分的物质)的化学信息性质等。例如,物质242(即,水)可以包含70%的成分222月桂基硫酸钠,如242b所示。物质272可包括化学信息性质,例如化学类、表面积(例如,拓扑极性表面积)、定性类别、定性感觉属性、分子式、酸解离常数、溶度积、结构拓扑、官能团计数、化学片段计数、疏水性、分配系数、空间参数、缔合常数、折射率或亲水亲油平衡(HLB)等。定性类别可包括成分功能或成分分类。如图2A所示,实例信息可包括化学类为硫酸烷基、HLB值为40和/或拓扑极性表面积为74.8平方埃。然而,在其它实例中,一种或多种物质可具有一种或多种(例如,不同)化学信息性质,所述化学信息性质具有一个或多个不同值。
如本文所述,个人护理产品的性质212b可能受形成例如个人护理产品200、食品和/或药物等产品的化学组合物的成分中的一者或多者的相互作用影响。性质212b的实例可与例如个人护理产品等产品的pH、氟(例如,氟稳定性)、粘度(例如,粘度稳定性)、粘弹性、磨蚀(例如,去污和牙质磨蚀)、颜色、浊度(例如,通过NTU测量)、分析物浓度、比重、临床试验和/或临床结果信息、消费者使用信息(例如,用户相关信息,例如人口统计信息)、产品形状因子信息、包装信息、生物标志物信息、消费者感知(例如,甜度、粘着性、香味)等有关。
性质212b的值可以基于与性质有关的特征,例如特定时间段。例如,性质212b可与在一个或多个时间段内的牙齿美白临床研究的结果有关,例如两周、四周、六周、八周等的临床结果。作为另一实例,例如生物可利用氟之类的氟的功效(例如,临床功效)可以基于时间段。时间段可以是几天、几周、几月、几年等。作为另一实例,在两年的时间段内,牙膏中的生物可利用氟可从百万分之(ppm)1400下降到1100ppm。性质212b可包括在牙膏的保质期开始时(例如,当氟含量在1400ppm时)和/或在牙膏的保质期结束时(例如,当氟含量在1100ppm时)牙膏中的生物可利用氟。
如本文所述,性质212b的值可以经由临床试验、观察(例如,临床观察)、市场数据、调查信息等来确定。产品(例如,个人护理产品)的化学组合物的性质212b的值可以通过以实验方式测量性质的值来确定。例如,通过以实验方式测量产品的性质,可以确定性质的实际值。性质212b的值可以经由性质的值的数学(例如,热力学)计算来确定。例如,可以编译个人护理产品组合物的数据库。所述组合物可包括一种或多种组合物。目录(例如,手动评价的目录)可以含有一个或多个常数(例如,金属结合常数、表面酸度常数等),和/或例如一个或多个溶度积。可以对个人护理产品组合物进行形态分布计算。形态分布计算可用于确定个人护理产品组合物的一种或多种(例如,每种)离子的活性。氢离子的负对数可对应于(例如,活性对应于)个人护理产品组合物的计算值(例如,计算出的pH值)。
性质212b的值可以通过执行临床和/或消费者试验来确定,所述临床和/或消费者试验提供个人护理产品的一个或多个属性的识别的结果或感知。例如,临床和/或消费者试验可用于确定消费者对个人护理产品的感知。试验可确定消费者(例如潜在消费者)可如何感知个人护理产品。例如,临床和/或消费者试验可以确定消费者对个人护理产品的颜色(例如,白度)、粘着性、湿性、甜度、香味、苦味、易用性等的感受。消费者感知可以通过其它方法来确定,包括调查(例如,在线和纸质调查)、商业成功等。来自临床和/或消费者试验的性质的值可以基于与性质有关的特征,例如临床/消费者试验的时间段、临床/消费者试验的参与者的用户相关信息、进行临床和/或消费者试验的环境因素等。图1B提供消费者可能感知到的个人护理产品的实例性质列表。
图2B是与组合物有关的数据的实例表。组合物可以是形成例如个人护理产品、食品、药物等产品的化学组合物。如本文所述,个人护理产品的实例可包括口腔护理产品(例如,牙膏、漱口水等)、美发产品(例如,洗发水、发胶等)、护肤产品(例如,润肤霜、肥皂等)等。个人护理产品可以包括成分,例如列282下命名的实例成分。例如,形成个人护理产品的化学组合物可以包括成分,例如山梨醇、水、二醇等。
可以以一种或多种方式识别成分(例如,成分中的每一者)。例如,可以通过名称来识别成分。可以通过其化学信息性质来识别成分。另外或替代地,可以通过标识号(例如,唯一标识号),例如通过列280下提供的标识号来识别成分。标识号可以由用户和/或一个或多个软件应用程序使用以识别成分。例如在成分的识别保密的情况下,标识号可以用于隐藏成分的真实身份。标识号可以随机生成,可以按顺序(例如,递增或递减顺序)生成和/或列出,等。尽管图2B的表将列280下的标识示为字母数字字符,但本领域技术人员将理解,标识可以表示为数字、字母、特殊字符等的任何组合。
图2B进一步提供值,例如列284中所示的百分比值。百分比值可与其中成分包含形成个人护理产品的化学组合物的百分比有关。例如,如图2B所示,成分去矿物质水包含18.296%的化学组合物,月桂基硫酸钠粉末包含1.5%的化学组合物,并且糖精钠USP或EP包含0.3%的化学组合物。
如本文所述,产品(例如,个人护理产品)可以由包含一种或多种成分的一种或多种化学组合物形成(例如,使用一种或多种化学组合物配制)。使用不止一种化学组合物和/或一种或多种成分配制个人护理产品可能带来许多挑战。例如,组合化学组合物可使形成个人护理产品的化学组合物的性质的值改变。作为实例,组合化学组合物中的两种或更多种成分可引起pH值改变。pH值可以例如基于两种或更多种成分的相互作用以不可预测的方式改变。
由于添加、去除和/或混合化学组合物中的成分可影响化学组合物的性质的值,因此可能难以产生需要添加、减少或混合成分的个人护理产品。例如,个人护理产品就其预期用途和/或目的而言可能需要在药学上和/或美容上是可接受的。预期用途和/或目的可以基于化学组合物的性质(例如,pH)的值。通过将新成分与化学组合物组合或从化学组合物中去除成分,化学组合物的性质的值(例如,pH值)可以改变,使得形成个人护理产品的化学组合物不再适合于个人护理产品的预期目的。
形成个人护理产品的化学组合物可含有治疗活性材料,所述治疗活性材料可(例如,可仅)在组合物未表现出化学降解的情况下产生所需结果。通过将新成分与化学组合物组合或从化学组合物中去除成分,化学组合物的性质的值可以改变,使得形成个人护理产品的化学组合物引起化学降解。此类化学降解可能使个人护理产品不再适合消费者使用。
形成个人护理产品的化学组合物可包含美容功能材料,其可(例如,仅可)在消费者通常使用的条件下以有效含量将材料传递至口腔、皮肤和/或毛发等。通过将新成分与化学组合物组合或从化学组合物中去除成分,化学组合物的性质的值可以改变,使得形成个人护理产品的化学组合物不再以有效含量起作用。
形成个人护理产品的化学组合物可(例如,仅可)在一段时间内表现出美学外观。化学组合物的这种美感可能很重要,例如,因为这种美感可对消费者的接受和使用产生重大影响。通过将新成分与化学组合物组合或从化学组合物中去除成分,化学组合物的性质的值可以改变,使得形成个人护理产品的化学组合物不再美观。例如,透明产品可以被消费者视为美观的。在一些实施例中,本文描述的方法可用于通过例如将产品基质的折射率与其中所含颗粒的折射率匹配来识别产生透明产品所需的成分的类型或量。在一些实施例中,本文描述的方法可用于使用透明产品基质的折射率来识别固体颗粒的折射率。
形成个人护理产品的化学组合物可以表现出消费者感知的一个或多个属性。例如,形成个人护理产品的化学组合物可以表现出消费者感知的风味、甜度、易用性等。通过将新成分与化学组合物组合或从化学组合物中去除成分,化学组合物的性质的值可以改变,使得形成个人护理产品的化学组合物影响个人护理产品的消费者感知。例如,化学组合物的性质的值可能受到影响,使得个人护理产品表现出更多薄荷风味、更有咸味等。
形成食品的化学组合物可以表现出消费者感知的一个或多个属性。例如,如消费者所感知的,形成食品的化学组合物可以表现出风味、甜度等。形成食品的化学组合物可以提供体重管理、医疗益处等。通过将新成分与化学组合物组合或从化学组合物中去除成分,化学组合物的性质的值可以改变,使得形成个人护理产品的化学组合物影响食品用户的体重减轻。例如,化学组合物的性质的值可能受到影响,使得食品对用户产生额外的体重减轻或健康益处。
如本文所述,可以确定形成例如个人护理产品等产品的化学组合物的性质的值。例如,可以通过实验测量、数学计算和/或经由临床和/或消费者试验接收个人护理产品组合物的性质的值。然而,此类技术可能是耗时的、非微不足道的和/或不可能的,因为个人护理产品组合物可能包括数十种(或更多种)成分。机器学习技术可用于确定化学组合物的性质的一个或多个值。
图3A示出使用机器学习技术确定(例如,预测)属性的实例过程300。属性可以包括组合物的身份、组合物的成分、组合物的性质的值、与组合物的性质有关的特征等。例如,属性可包括形成个人护理产品的化学组合物的身份、形成个人护理产品的化学组合物的成分、形成个人护理产品的化学组合物的性质的值(例如,pH值、氟稳定性值、粘度值、磨蚀值、比重值、消费者感知值),与性质有关的特征(例如,时间段、用户相关信息、环境因素)等。尽管本公开可以描述确定(例如,预测)形成产品(例如,个人护理产品)的化学组合物的身份、形成产品(例如,个人护理产品)的化学组合物的性质的值,和与形成产品的化学组合物的性质的值有关的特征,但是应理解,机器学习技术也可以或替代地用于确定(例如,预测)一个或多个其它值,例如产品的其它身份、产品成分的化学信息性质值,与性质有关的特征等。还应理解,用于确定化学值的机器学习技术仅用于说明目的,并且机器学习技术也可以或替代地用于确定非化学组合物的一个或多个值。
在302,可以将化学组合物(例如,个人护理产品的样本化学组合物)的一个或多个身份存储在例如数据库中。化学组合物的身份可以包括化学组合物的名称、化学组合物的成分(例如,化学组合物的调配物)等。例如,如图2A所示,化学组合物的身份可包括化学组合物的成分中的每一者的化学信息性质(例如,化学信息值)。可以从数据库中的一个或多个接收化学组合物的身份。
在303,可以确定和/或接收对形成一种或多种产品(例如,个人护理产品)的化学组合物的一个或多个感知。化学组合物的感知可以经由临床试验和/或消费者(例如,潜在消费者)来确定和/或识别。感知可以包括个人护理产品的白度、个人护理产品的薄荷味、个人护理产品的甜度等。化学组合物的感知可受形成个人护理产品的化学组合物的一种或多种成分影响。例如,一种或多种成分可能会影响消费者对个人护理产品的薄荷味感知程度、消费者对个人护理产品的甜度感知程度、消费者对个人护理产品的白度感知程度等。
在304,可以确定形成一种或多种产品(例如,个人护理产品)的化学组合物的性质的值。例如,可经由实验测量、临床和/或消费者试验等确定形成一种或多种产品的化学组合物的性质的值。性质的值可受化学组合物的一种或多种成分影响。性质的值可受与性质相关的一个或多个特征影响,所述特征例如是测量性质的时间段、化学组合物的消费者的用户相关信息、化学组合物的环境因素、化学组合物的包装等。可以通过执行化学组合物的性质的值的实际测量来识别化学组合物的性质的实验测量值。可以通过例如在实验测量的性质的值已被存储在数据库中之后从数据库中检索所述实验测量的性质的值来识别化学组合物的实验测量的性质的值。可以接收化学组合物(例如,样本化学组合物)的实验测量的性质的值。
在306,可确定和/或将形成个人护理产品的化学组合物的一个或多个值存储于例如数据库中。化学组合物的一个或多个值可与化学组合物的理化性质有关。理化性质的值可以包括化学组合物的一种或多种(例如,每种)成分的值。理化性质的值可以例如从一个或多个数据库接收。
在308,可以识别和/或确定化学组合物的理化性质的值。化学组合物的理化性质的值可以通过测量化学组合物的成分的理化性质、计算(例如,数学计算)化学组合物的理化性质的预测值、(例如,经由数据库、查找表等)查找理化性质的值等来确定。化学组合物的理化性质的值可以经由理化性质的热力学计算来识别和/或确定。
在310,可以将数据输入到机器学习模型中,如本文所述。例如,可以将化学组合物的身份输入到模型中。化学组合物的身份可包括化学组合物中的一者或多者的名称、化学组合物的成分的身份、化学组合物的化学信息性质(成分)的值等。可以将化学组合物的性质的值输入到机器学习模型中。例如,可以将化学组合物的性质的值(例如,实验测量的值、数学计算的值、消费者感知值)输入到模型中。可将与化学组合物的性质的值有关的特征输入到机器学习模型中。例如,可以将化学组合物的时间段、用户相关信息和环境因素输入到模型中。例如,可以将与化学组合物有关的数据输入到模型中以训练模型。在其它实例中,可以将与化学组合物有关的数据输入到模型中以确定化学组合物的值(例如,其它值)。
可以将关联输入到模型中。例如,化学组合物的身份(例如,成分)、化学组合物的性质的值和与化学组合物的性质的值有关的特征之间可以存在关联。可以将与性质的值有关的特征和性质的值之间的关联单独地和/或结合其它关联输入到模型中。可以将化学组合物(例如,样本化学组合物)的成分、化学组合物(例如,样本化学组合物)的性质的关联值和/或与化学组合物的性质的值有关的特征输入到机器学习模型中,例如,以训练机器学习模型。
在312,机器学习模型可以确定(例如,预测)与化学组合物有关的一条或多条数据的值。例如,如果将化学组合物(例如,所考虑化学组合物)的身份输入机器学习模型中,则机器学习模型可以基于化学组合物的身份来确定(例如,预测)化学组合物的性质的值。相反,如果将化学组合物(例如,所考虑化学组合物)的性质的值输入到机器学习模型中,则机器学习模型可以基于化学组合物的性质的值来确定(例如,预测)化学组合物的身份。
在其它实例中,如果将化学组合物(例如,所考虑化学组合物)的身份和与性质有关的特征输入到机器学习模型中,则机器学习模型可以基于化学组合物的身份和与性质有关的特征来确定(例如,预测)化学组合物的性质的值。相反,如果将化学组合物(例如,所考虑化学组合物)的性质的值输入到机器学习模型中,则机器学习模型可以基于化学组合物的性质的值来确定(例如,预测)化学组合物的身份和与性质有关的特征。尽管上文提供了机器学习属性的实例,但应理解,这些实例仅出于说明目的且是非限制性的。可以将一个或多个不同的值排列输入到机器学习模型中和/或从机器学习模型输出一个或多个不同的值排列。
图3B是用于确定与例如形成产品(例如,个人护理产品)的化学组合物等组合物有关的信息的系统350的实例图。所述信息可与化学组合物的身份、化学组合物的化学信息值以及与产品有关的一个或多个其它值有关。在实例中,系统350可以是数据仓库。例如,系统350可包括用于接收、存储和/或提供数据的一个或多个数据库和/或用于处理由一个或多个数据库接收、存储和/或提供的数据的一个或多个处理器。
系统350可包括元件352,所述元件可包括一个或多个数据库。例如,元件352可包括接收、存储和/或提供调配物标识符、一种或多种(例如,每种)调配物中的原材料和/或调配物中的一种或多种(例如,每种)原材料的重量百分比的一个或多个数据库。元件352可包括接收、存储和/或提供调配物标识符、描述性销售和/或物流信息的一个或多个数据库。元件352可包括接收、存储和/或提供原材料标识符、成本、制造商信息和/或物流信息的一个或多个数据库。元件352可包括接收、存储和/或提供原材料标识符、一种或多种(例如,每种)原材料中的化学物质和/或原材料中的一种或多种(例如,每种)化学物质的重量百分比的一个或多个数据库。元件352可包括接收、存储和/或提供原材料标识符和/或原材料的信息(例如,化学信息)性质的一个或多个数据库。元件352可包括接收、存储和/或提供化学物质的化学标识符和/或信息(例如,化学信息)性质的一个或多个数据库。元件352可包括一个或多个数据库,所述数据库接收、存储和/或提供化学物质之间的热力学和动力学反应常数,例如所有化学物质之间的所有已知热力学和动力学反应常数。
在354,可以执行特征选择、表示和/或工程化。例如,规则(例如,算法)可以执行特征选择、表示和/或工程化。
系统350可包括元件356,所述元件可包括一个或多个数据库。例如,元件356可包括一个或多个数据库,所述数据库接收、存储和/或提供调配物标识符、(例如,每种)调配物中的选择特征(例如标识符、材料信息、化学信息等的组合)和/或调配物中的特征丰度的表示(例如,定量表示)。
在362,可以(例如,基于热力学和/或动力学常数)执行化学形态分布计算。例如,规则(例如,算法)可以(例如,基于热力学和/或动力学常数)执行化学形态分布计算。
系统350可包括元件364,所述元件可包括一个或多个数据库。例如,元件364可包括接收、存储和/或提供调配物标识符、化学组合物的性质的计算值和/或平衡性质(例如,基于动力学和热力学常数)的一个或多个数据库。
系统350可包括元件366,所述元件可包括一个或多个数据库。例如,元件366可以包括接收、存储和/或提供调配物标识符和/或测试值(例如,化学组合物的性质的实验确定的分析测试值)的一个或多个数据库。样本化学组合物的性质可受样本化学组合物的两种或更多种成分的相互作用影响。元件366可包括接收、存储和/或提供调配物标识符和/或消费者导出的测试结果的一个或多个数据库。元件366可包括接收、存储和/或提供调配物标识符和/或临床测试结果的一个或多个数据库。
在368,可以确定测试结果的拟合参数。例如,规则(例如,算法)可以确定测试结果的拟合参数。
系统350可包括元件370,所述元件可包括一个或多个数据库。例如,元件370可以包括接收、存储和/或提供调配物标识符、聚合测试结果和/或与测试结果相关联的拟合参数的一个或多个数据库。
在358,可以确定机器学习信息。例如,规则(例如,算法)可以确定机器学习信息。
系统350可包括元件360,所述元件可包括一个或多个数据库。例如,元件360可以包括接收、存储和/或提供机器学习模型参数的一个或多个数据库。
图4是示出经由如本文所述的机器学习规则预测化学组合物信息的其它实例步骤的过程400。在图4中,使用剖面线来表示过程内的关系。
在402,过程开始。在404,实体(例如,企业)可以开始理解和/或改进其对化学组合物信息的理解。例如,实体可以开始和/或改进其对需要化学组合物具有某一特征的理解,例如具有某一值的pH、乳化目的、甜度、增稠剂等的化学组合物。尽管实体可以理解对化学组合物具有某种性质(例如,性质值)的需要,但实体可能不知道化学组合物的成分将产生此类性质(例如,性质值)。
在406,可以采集与化学组合物有关的数据。例如,实体可以采集化学组合物的身份(例如,名称、成分、化学信息性质等)、化学组合物的性质的值、与化学组合物的性质的值有关的特征等。化学组合物的信息可以经由实验测量、数学计算、临床和/或消费者试验、一个或多个数据源(例如,数据库、文件等)或其它信息渠道来采集。可以识别和/或确定信息之间的关联。例如,可以确定化学组合物的身份与化学组合物的性质的值之间的关联,可以确定与化学组合物的性质的值有关的特征与化学组合物的性质的值之间的关联等。
在408,可以训练和/或使用机器学习模型,如本文所述。例如,可以使用与化学组合物(例如,样本化学组合物)有关的信息来训练机器学习模型。信息可以是化学组合物的身份和化学组合物的性质的关联值。信息可以是化学组合物的身份、化学组合物的性质的关联值和/或与性质的值有关的特征。可以使用经过训练的机器学习模型来例如基于化学组合物(例如,化学组合物)的身份和/或与性质的值有关的特征来确定和/或预测化学组合物(例如,所考虑化学组合物)的值(例如,未知值)。
在410,可以部署机器学习模型。在部署时,机器学习模型可以基于化学组合物的身份和/或与性质的值有关的特征来确定化学组合物(例如,所考虑化学组合物)的性质的值。机器学习模型可以基于化学组合物的性质的值和/或与性质的值有关的特征等来确定化学组合物的身份。
可以将化学组合物的性质的所确定值与化学组合物的性质的期望值进行比较。例如,可以将从机器学习模型返回的pH值与期望的pH值进行比较。可以将从机器学习模型返回的pH值与实际(例如,实际测量的)pH值进行比较。如果确定性质的值与期望值相同(例如,基本上相同),则实体可朝着产生具有性质的期望值的化学组合物(例如,个人护理产品)发展。实体可以使用输入到机器学习模型中的成分来产生具有性质的期望值的化学组合物。例如,实体可以使用输入到机器学习模型中的成分来产生化学组合物,所述成分产生所需的确定的(例如,预测的)pH值。可使用化学组合物产生产品(例如,个人护理产品),使得产品(例如,个人护理产品)将由产生性质的所需值的成分组成。
图5是用于确定(例如,预测)与形成例如个人护理产品等产品的组合物(例如,化学组合物)相关联的数据的实例系统500的框图。数据可包括化学组合物的身份、化学组合物性质的值、与化学组合物的性质有关的特征、和/或一种或多种类型的数据。数据可以基于一个或多个属性和/或参数来确定。例如,系统500可以基于一个或多个属性/参数和机器学习技术来确定(例如,预测)与化学组合物的性质相关联的数据。尽管本文提供的实例可与确定(例如预测)化学组合物的身份、化学组合物的性质的值、与化学组合物的性质有关的特征、和/或使用机器学习技术的拟合参数有关,但本领域技术人员将理解,可以使用机器学习技术确定(例如,预测)与化学组合物有关的一个或多个其它值和/或参数。例如,可以确定化学组合物的成分的化学信息值,可以确定化学常数,可以确定临床和/或消费者结果和感知等。
系统500包括用户装置502,所述用户装置被配置成经由网络520连接到性质建模装置,例如实例化学性质建模装置602(在图6中进一步描述)。网络520可包括有线和/或无线通信网络。例如,网络520可以包括局域网(LAN)、城域网(MAN)和/或广域网(WAN)。网络520可以促进与互联网的连接。在另外的实例中,网络520可包括有线电话和电缆硬件、卫星、蜂窝电话通信网络等。
用户装置502可包括用户界面504、存储器506、中央处理单元(CPU)508、图形处理单元(GPU)510、图像捕获装置514和/或显示器512。用户装置502可以实施为用户设备(UE),例如移动装置、计算机、膝上型电脑、平板电脑、台式机或任何其它合适的类型的计算装置。
用户界面504可以允许用户与用户装置502交互。例如,用户界面504可以包括用户输入装置,例如显示器512的交互部分(例如,显示器512上显示的“软”键盘)、被配置成经由有线或无线连接(例如,蓝牙键盘)与用户装置504通信的外部硬件键盘、外部鼠标或任何其它用户输入装置。用户界面504可以允许用户输入、查看等与形成个人护理产品的化学组合物有关的一条或多条信息。
存储器506可以存储可在CPU 508和/或GPU 510上执行的指令。指令可以包括机器可读指令,所述指令当由CPU 508和/或GPU 510执行时使CPU 508和/或GPU 510执行各种动作。存储器506可以存储指令,所述指令当由CPU 508和/或GPU 510执行时使CPU 508和/或GPU 510允许用户界面504与用户交互。例如,可执行指令可以允许用户界面(经由显示器512)向用户显示一个或多个提示,和/或接受用户输入。例如,存储在存储器506中的指令可以允许用户输入化学组合物的身份和/或化学组合物的性质的值。在其它实例中,用户可以利用用户界面504来点击、按住或拖动光标以定义化学组合物的身份、值和/或性质。
CPU 508和/或GPU 510可以被配置成与存储器506通信以将数据存储到存储器506以及从所述存储器读取数据。例如,存储器506可以是计算机可读非暂时性存储装置,其可以包括易失性(例如,随机存取存储器(RAM))或非易失性(例如,带备用电池的RAM、闪存等)存储器的任何组合。
图像捕获装置514可以被配置成捕获图像。图像可以是二维图像、三维图像等。图像捕获装置514可以被配置成捕获具有若干像素的数字格式的图像。尽管图像捕获装置514在图5中示为在用户装置502的内部,但在其它实例中,图像捕获装置514可以在用户装置502的内部和/或外部。在实例中,图像捕获装置514可以实施为耦合到用户装置502的相机。图像捕获装置514可以实施为耦合到用户装置502并被配置成与用户装置502通信的网络摄像头。图像捕获装置514可以实施为数字摄像头,所述数字摄像头被配置成将数字图像传送到用户装置502和/或化学性质建模装置602。例如,此类传送可经由电缆、无线传输、网络520/620和/或物理存储卡装置传送(例如,SD卡、闪存卡等)进行。图像捕获装置514可用于捕获个人护理产品、形成个人护理产品的化学组合物、与化学组合物有关的数据、与个人护理产品的一个或多个特征有关的数据等的图像。
在实例中,用户可以将与一种或多种组合物(例如,化学组合物)有关的信息输入到用户装置502中。化学组合物信息可以传送到化学性质建模装置602和/或从所述化学性质建模装置传送,如图5所示。在化学性质建模装置602具有与化学组合物有关的信息(例如,化学组合物的身份和/或化学组合物的性质的值)的情况下,化学性质建模装置602可返回关于化学组合物的信息。例如,化学性质建模装置602可以提供化学组合物的性质的值(例如,预测值)。
用户装置502可以出于预测目的获得关于一种或多种化学组合物的信息(例如,未知信息)(例如,化学组合物的名称、化学组合物的成分、化学组合物的成分的化学信息值、化学组合物的性质的值、与化学组合物的性质有关的特征等)。例如,用户(例如,用户装置502的用户)可能期望知道具有个人护理产品的性质的值(例如,期望值)的化学组合物的身份。性质的值可能受到化学组合物的一种或多种成分彼此相互作用的影响。个人护理产品的性质的值(例如,期望值)可以是个人护理产品的值(例如,pH值)、个人护理产品的一种或多种成分的功能、个人护理产品的一种或多种成分的分类、个人护理产品的消费者感知等。
用户可以将化学组合物信息(例如,名称、成分、化学信息性质等)的一种或多种类型和/或值输入用户装置502中,例如以确定关于化学组合物的信息(例如,其它信息)。用户装置502可以将信息传输到化学性质建模装置602。
在实例中,所有或一些步骤、过程、方法等可由一个装置或多于一个装置(例如,用户装置或化学性质建模装置)执行。例如,在实例中,用户装置502可以包括化学性质引擎630。在其它实例中,化学性质建模装置602可以在用户装置502外部。在化学性质建模装置602与用户装置502分开的实例中,用户装置502可以经由一个或多个有线和/或无线技术与化学性质建模装置602通信,如本文中所描述。例如,如图5中所示,用户装置502可以经由网络520与化学性质建模装置502通信。在一些实例中,网络520可以是互联网。在其它实例中,如本文中所描述,网络520可以是Wi-Fi、蓝牙、LAN等。
可以接收化学组合物的性质的值(例如,性质的期望值)。其中接收性质的值并且其中通过机器学习规则来确定化学组合物的身份的化学组合物可被称为所考虑化学组合物。例如,用户可以接收化学组合物的性质的值(例如,期望值)。用户可以将性质的值传送到化学性质建模装置602。所述值可与受化学组合物的一种或多种成分影响的性质有关。所述值可与pH值、氟稳定性值、粘度值、磨蚀值、比重值、临床试验和/或临床结果值、用户特定信息(例如,人口统计信息)值、时间段值、存储信息(例如,存储温度、存储湿度)、生物标志物值、消费者感知值等有关。例如,用户可以将pH值传送到化学性质建模装置602,将稳定性值传送到化学性质建模装置602,将临床试验和/或临床结果值传送到化学性质建模装置602,将用户特定值(例如,人口统计信息)传送到化学性质建模装置602,将生物标志物值传送到化学性质建模装置602等。
用户可以将一种或多种性质的一个或多个值传送到化学性质建模装置602。用户可以将与一种或多种性质有关的一个或多个特征传送到化学性质建模装置602。可以例如在同时或在不同时间将性质的值和与性质有关的特征传送到化学性质建模装置602。可以将性质的值和与性质有关的特征之间的关系的指示传送到化学性质建模装置602。
性质的值可对应于临床试验和/或临床结果数据、消费者试验和/或消费者结果数据等。对应于临床试验和/或临床结果数据的性质的值可以是消费者对产品(例如,香水)的感知喜好、牙膏的临床美白功效、护肤霜的保湿能力等。如本文所述,可以将化学组合物的身份(例如,化学组合物的成分和/或化学信息性质)传送到化学性质建模装置602,可以将对应的性质值(例如临床试验和/或临床结果数据)传送到化学性质建模装置602,和/或可以将一个或多个额外数据集传送到化学性质建模装置602。额外数据集可以是与性质数据有关的数据,例如临床试验和/或临床结果数据。
用户可以将组合物的身份(例如,组合物的成分)和组合物的性质(例如,牙齿美白)传送到化学性质建模装置602。用户可以传送与化学组合物的性质(例如,牙齿美白)有关的特征。与性质有关的特征可以是调配物属性(例如,化学组合物的氧化电位)、时间段(例如,使用六周时、使用八周时的牙齿美白值)、用户相关数据(例如,使用化学组合物的消费者的年龄、与消费者有关的地理数据、用户的刷牙习惯等)等。
尽管上述实例可能涉及用户相关信息和时间段信息,但也可将与性质有关的其它类型的信息传送到化学性质建模装置602,例如与产品存储有关的信息。与性质有关的其它信息可包括产品的用户信息,例如人种信息、物理改变(例如,纹身、穿洞等)、饮食、身高、体重、体重指数、体毛覆盖率、身体汗液产生量、皮肤皮脂产生量、生物标志物、毛发类型/颜色、皮肤pH值、营养、运动方案、身体菌群、健康状况和/或状态等。环境特征,例如产品储存温度、产品储存湿度、产品包装、影响产品中发生的化学反应的动力学或影响相变的动力学的变量等,可以与性质有关,并且可以传送到化学性质建模装置602。
用户可以将化学组合物的身份和与例如氟的化学组合物有关的性质的值传送到化学性质建模装置602。用户还可以或替代地传送与性质有关的一个或多个特征,例如时间段、环境信息、用户相关信息等。时间段可包括化学组合物的保质期的时间,例如化学组合物的保质期的开始、化学组合物的保质期的结束和/或它们之间的一个或多个时间段。例如,用户可以将由化学组合物形成的牙膏的身份、与牙膏有关的氟的值以及六周的时间段传送到化学性质建模装置602。因此,在此实例中,在六周时特定牙膏的氟的值将被传送到化学性质建模装置602。
作为另一实例,用户可以传送性质氟衰减率的值。用户可以传送牙膏的身份、性质氟衰减率的值、以及一个或多个时间段和/或一个或多个储存条件。例如,用户可以传送牙膏的身份、性质氟衰减速率的值、在产品的保质期开始时和/或产品的保质期结束时的时间段,以及化学组合物储存在具有低湿度的低温下的指示。在其它实例中,用户可以传送性质氟衰减率的值,并且指示化学组合物储存在具有高湿度的高温下。
环境特征可能影响消费者对产品的感知。例如,香水可以弥漫香味(例如,消费者如何感知香水气味的变化)。消费者如何感知香水弥漫可以取决于一个或多个环境特征,例如环境条件、音频条件等。其它性质可受其它环境因素影响,例如温度、湿度、高度、环境组合物(例如,局部大气中挥发性组分的存在)等。可以将性质和性质所取决于的特征(例如,环境特征)传送到化学性质建模装置602。例如,当香水弥漫被指定为传送到化学性质建模装置602的属性时,可以将与性质有关的信息(例如,环境条件,例如大气条件)传送到化学性质建模装置602。
基于性质的值和/或与性质有关的特征,化学性质建模装置602可提供化学组合物的身份,所述化学组合物具有(例如,预测具有)性质的所述值(例如,或近似值)和/或与性质有关的所述特征。例如,化学性质建模装置602可以提供具有(例如,预测具有)值和/或与性质有关的特征的组合物的名称,具有(例如,预测具有)值和/或与性质有关的特征的化学组合物的成分,以及具有(例如,预测具有)值和/或与性质有关的特征的化学组合物的成分的化学信息值,等。
用户还可以或替代地提供与化学组合物有关的信息,以确定化学组合物的性质的值和/或与性质有关的特征。例如,用户可以将组合物的名称、化学组合物的成分、化学组合物的成分的化学信息值、化学组合物的消费者感知、化学组合物的期望美感等输入到化学性质建模装置中化学性质建模装置602中。基于名称、成分和/或化学信息信息,化学性质建模装置602可以确定化学组合物的性质的值。化学性质建模装置602可以确定对应于与性质有关的特征的化学组合物的性质的值。例如,基于名称、成分和/或化学信息信息,化学性质建模装置602可以确定化学组合物的pH值、氟稳定性值、粘度值、折射率、磨蚀值、比重值、临床试验和/或临床结果信息等。根据名称、成分和/或化学信息信息,化学性质建模装置602可以确定对应于用户相关信息(例如,用户的年龄)、调配物属性信息、包装信息、时间段信息(例如,在六周时的性质的值)、储存信息等的pH值、氟稳定性值、粘度值、折射率、磨蚀值、比重值、临床试验和/或临床结果信息等。
图6示出训练性质引擎,例如化学性质引擎630的实例系统600。化学性质引擎630可以容纳在化学性质建模装置602中,但这种配置仅用于说明目的。如图6中所示,训练装置650可以与化学性质建模装置602通信。例如,训练装置650可以经由网络620与化学性质建模装置602通信。一个或多个训练装置650可以向化学性质建模装置602提供例如训练化学性质建模装置602的化学性质引擎630的信息,如本文所述。
训练装置650可以将信息提供到建模装置,例如化学性质建模装置602。提供给化学性质建模装置602的信息可包括化学组合物的身份、化学组合物的性质的值和/或与化学组合物的性质有关的特征的值。例如,提供给化学性质建模装置602的信息可以包括与化学组合物(例如,形成个人护理产品的化学组合物)有关的实验测量信息、与化学组合物有关的数学计算信息、临床/消费者试验和/或结果信息、用户相关信息、用户的物理特性、化学组合物的形式因子、化学组合物的包装、生物标志物信息(例如,与产品的用户和/或潜在用户有关的生物标志物信息)、产品与环境相互作用的程度和/或方式、化学组合物的环境特征、与化学组合物有关的消费者感知信息,等。训练装置650可以提供化学组合物的性质的值,例如化学组合物的性质的实际值和/或化学组合物的性质的数学确定值。
训练装置650可以提供与化学组合物有关的信息,其包括化学组合物的身份(例如,化学组合物的名称、化学组合物的成分、化学组合物的成分的化学信息值等)。
如本文所提供的,由训练装置650提供的信息可以基于实际(例如,实际测量的信息,例如已实际测量的化学组合物的值、临床试验信息等)信息。另外或替代地,由训练装置650提供的信息可以基于使用例如化学组合物的热力学计算等数学计算确定的化学组合物的值,以确定化学组合物的性质的值。如本文所述,将此信息(例如,实际信息和/或热力学计算的信息)提供给化学性质引擎630可用于使用机器学习技术训练模型。信息用于训练机器学习规则的化学组合物可被称为样本化学组合物。
化学性质建模装置602可包括CPU 608、存储器606、GPU 610、界面616和化学性质引擎630。存储器606可以被配置成存储可在CPU 608和/或GPU 610上执行的指令。指令可以包括机器可读指令,所述指令当由CPU 608和/或GPU 610执行时使CPU 608和/或GPU 610执行各种动作。CPU 608和/或GPU 610可以被配置成与存储器606通信以将数据存储到存储器606以及从所述存储器读取数据。例如,存储器606可以是计算机可读非暂时性存储装置,其可以包括易失性(例如,随机存取存储器(RAM))或非易失性存储器(例如,带备用电池的RAM、闪存等)存储器的任何组合。
界面616可以被配置成与化学性质建模装置602内部或外部的一个或多个装置介接。例如,界面616可以被配置成与训练装置650和/或化学性质数据库624介接。化学性质数据库624可以存储关于化学组合物的信息,例如化学组合物的名称、化学组合物的成分、化学组合物的成分的化学信息值、化学组合物性质的值(例如,pH值、氟(例如,氟稳定性)值、粘度(例如,粘度稳定性)值、磨蚀(例如,去污和牙质磨蚀)值、折射率值、比重值、临床试验和/或临床结果数据、消费者感知(例如,甜度、粘着性、香味)值)、与化学组合物的性质有关的特征的值(例如,用户相关信息、时间段信息、环境信息)等。存储在化学性质数据库624中的信息可用于训练化学性质引擎630。存储在化学性质数据库624中的信息还可以或替代地由化学性质引擎630引用,以确定(例如,预测)关于化学组合物(例如,所考虑化学组合物)的信息。
装置(例如,用户装置502和/或化学性质建模装置602)可以经由训练装置650和/或另一装置接收一种或多种组合物(例如,化学组合物)的信息。信息可以涉及一种或多种(例如,许多)不同类型的组合物,例如化学组合物、化学组合物族、完整和/或不完整的化学组合物、具有丰富历史的化学组合物、相对未知的化学组合物、本质上非化学物质的组合物等。
可将组合物(例如,化学组合物)的一种或多种类型的信息提供至化学性质建模装置602。例如,可以将化学组合物(例如,样本化学组合物)的一种或多种类型的信息提供给化学性质建模装置602以训练化学性质建模装置602(例如,化学性质建模装置602的机器学习规则)。例如,对于(例如,每个)化学组合物,化学性质建模装置602可以接收化学组合物的实际(例如,实际测量的)信息、组合物的计算(例如,热力学计算的)信息、化学组合物的预测信息、化学组合物的身份信息、化学组合物的临床试验和/或结果信息、用户相关信息、环境信息、时间段信息、化学组合物的消费者偏好信息,等。化学性质建模装置602可以执行信息关联,使得可以执行化学组合物数据(例如,类似化学组合物数据)的预测。
化学性质建模装置602可以使用机器学习技术来开发软件应用程序(例如,模型)。例如,化学性质引擎630可以包括用于确定(例如,预测)与化学组合物有关的信息的机器学习规则。化学性质引擎630可包括用于确定(例如预测)关于化学组合物的信息的模型(例如,机器学习模型)。提供给模型的信息和/或由模型提供的信息可用于训练模型。用于训练模型的信息可包括化学组合物的身份(例如,名称、成分、成分的化学信息值等)、化学组合物的性质的值、与化学组合物的性质的值有关的特征,等。用于训练模型的信息可包括临床/消费者试验和/或结果信息、用户相关信息、化学组合物的消费者感知信息等。提供给模型和/或由模型提供的用于训练模型的信息可以与化学组合物(例如,样本化学组合物)有关。
化学性质引擎630可以包括当前已知的和/或以后开发的机器学习规则或算法。机器学习规则可以是有监督的机器学习规则和/或无监督的机器学习规则。例如,化学性质引擎630可包括以下项中的至少一者:随机森林规则、支持向量机规则、朴素贝叶斯分类规则、增强规则、增强规则的变体、交替决策树规则、支持向量机规则、感知器规则、Winnow规则、对冲规则、构建特征或数据点线性组合的规则、决策树规则、神经网络规则、逻辑回归规则、对数线性模型规则、类感知器规则、高斯过程规则、贝叶斯技术、概率建模技术、回归树、排名规则、核方法、基于边际的规则、线性/二次/凸/锥/半定规划技术,或上述的任何修改。
化学性质引擎630可以在分析与任务有关的更多数据时提高其执行任务的能力。如本文所述,任务可以是确定(例如,预测)与形成个人护理产品的化学组合物有关的未知信息。未知信息可以是例如来自已知信息的化学组合物的性质的未知值。任务可以是基于化学组合物的身份信息来预测化学组合物的性质的值。任务可以是基于身份信息和/或与性质有关的特征来预测化学组合物的性质的值。任务可以是基于化学组合物的性质的值和/或与性质有关的特征来预测化学组合物的身份。在此类实例中,提供给模型的(与一种或多种化学组合物有关的)信息越多,模型的结果就越好。例如,模型可以基于模型接收到化学组合物的众多信息和与化学组合物的身份有关的信息的而提供对化学组合物性质的值的更准确的确定。
如本文中所描述,可以使用一组训练实例来训练机器学习模型。每个训练实例可以包括对象的实例,以及对象的性质的值和/或与对象的性质的值有关的特征。通过处理包括对象、对象的性质值和/或与性质有关的特征的一组训练实例,模型可以确定(例如,学习)与特定性质值相关联的对象的属性或特性。这一学习接着可用于预测性质或预测其它对象的分类。如本文所述,机器学习技术(例如,规则、算法等)可以用于开发一种或多种化学组合物的模型。
形成个人护理产品的化学组合物(和/或化学组合物的一种或多种成分)可基于产品、功能、分类、临床/消费者试验和/或结果信息、用户相关信息、化学组合物的形状因子信息、化学组合物的包装、生物标志物信息、产品与环境相互作用的程度和/或方式、化学组合物的环境特征、消费者感知等进行识别和/或分类。可以在将化学组合物输入到机器学习规则之前对一种或多种化学组合物(和/或化学组合物中的一种或多种成分)进行识别和/或分类。可以通过机器学习规则对一种或多种化学组合物(和/或化学组合物中的一种或多种成分)进行识别和/或分类。例如,机器学习规则可以基于产品、功能、分类、临床/消费者试验、消费者感知等对化学组合物(和/或化学组合物中的一种或多种成分)进行识别和/或分类。
可以开发模型(例如,机器学习模型)以接收与化学组合物有关的信息,例如以确定(例如,预测)化学组合物的信息。训练实例(例如,训练集或训练数据)可用于训练化学性质引擎630。例如,训练数据可以包括样本化学组合物的名称、样本化学组合物的成分、样本化学组合物的成分的化学信息值、样本化学组合物的拟合参数、样本化学组合物的功能、样本化学组合物的分类、样本化学组合物的性质的值等。样本化学组合物的性质的值可经由计算,例如经由热力学计算来确定。样本化学组合物的性质的值可经由实验测量来确定。如本文所述,样本化学组合物的性质可以包括样本化学组合物的pH、氟稳定性、粘度稳定性、磨蚀、比重、临床/消费者试验和/或结果信息、用户相关信息、化学组合物的形状因子信息、化学组合物的包装、生物标志物信息、产品与环境相互作用的程度和/或方式、化学组合物的环境特征、消费者感知性质等。
在使用训练数据训练化学性质引擎630(例如,化学性质引擎630的机器学习模型)之后,可以使用化学性质引擎630来确定(例如,预测)数据。例如,可以使用化学性质引擎630来确定(例如,预测)与用于训练化学性质引擎630的参数类似的参数。例如,可以使用化学组合物的身份(例如,成分)和化学组合物的pH性质的值来训练化学性质引擎630。可以使用化学性质引擎630例如基于化学组合物的身份(例如,成分)来确定pH性质的未知值。在另一个实例中,可以使用化学组合物的身份(例如,成分)、牙齿美白临床研究的结果的值以及与牙齿美白临床研究有关的一个或多个特征,例如与牙齿美白临床研究的结果有关的时间段来训练化学性质引擎630。基于化学组合物的身份(例如,成分),可以使用化学性质引擎630来确定在一个或多个时间段内的牙齿美白临床研究的结果的未知值。
在其它实例中,在使用训练数据训练化学性质引擎630(例如,化学性质引擎630的机器学习模型)之后,可以使用化学性质引擎630来确定与用于训练化学性质引擎630的参数不同的参数。例如,可以使用化学组合物的身份(例如,成分)和化学组合物的pH性质的值来训练化学性质引擎630。可以使用化学性质引擎630来确定可溶性锌性质的未知值。可以使用化学性质引擎630基于化学组合物的身份(例如,成分)来确定可溶性锌性质的未知值。不同参数可以彼此具有关系。不同参数之间的关系可以允许化学性质引擎630预测不同参数。使用上述实例,尽管pH性质和可溶性锌性质是不同的性质,但与pH性质和可溶性锌性质的关系可以允许化学性质引擎630基于pH训练数据预测可溶性锌数据。
可以使用与化学组合物有关的其它数据来训练化学性质引擎630。例如,可以使用与性质有关的特征(例如,数据)来训练化学性质引擎630。例如,与性质有关的数据可以是与性质的值相关联的用户相关信息、与性质的值相关联的环境数据、与性质的值相关联的时间段数据、与性质的值相关联的拟合参数,但也可以使用其它类型的数据来训练化学性质引擎630。例如,训练数据可以包括样本化学组合物的身份(例如,名称、成分和/或成分的化学信息值)和样本化学组合物的拟合参数。
拟合参数可用于在定义的实例中确定参数的值。例如,拟合参数可以与值随时间变化的速率有关。拟合参数可用于确定未来日期、天数、时间、时间段等的参数的值。拟合参数可用于定义连续功能。拟合参数可用于确定在一个或多个(例如,任何)时间点的性质的值。例如,如果在4、8和13周时已测量了氟稳定性的值,则可以导出拟合参数,其可以提供在4、8和13周之间的中间时间点和/或在13周之后的延长点氟稳定性的值(例如,期望值)。
拟合参数可用于确定与组合物的性质有关的特征的值。例如,可以导出拟合参数,其提供在一个或多个时间段内的临床结果的值(例如,期望值)。临床结果可与产品,例如个人护理产品、食品、药物等有关。例如,可以导出拟合参数,其可以提供在三个月或六个月时段内牙龈炎减少的临床结果,提供数天至数月内牙齿美白的临床结果,提供数分钟至数月内过敏缓解的临床结果,和/或提供九十天内皱纹减少的临床结果。在其它实例中,可以导出拟合参数,其提供在六周时段内(例如,人的或动物的)体重减轻、在八周时段内医疗病况(例如,血压升高)减少的临床结果等。
确定未来日期、天数、时间、时间段等的性质的值可能是有用的,因为产品(例如,个人护理产品)的制造商可能需要证明产品(例如,个人护理产品)在产品的整个保质期内维持最低阈值数量的性质。例如,由于产品的保质期可能为几年,因此在某些时间段(例如,几个月、几年等)测试产品(例如,新产品)以确定产品的活力可能是不切实际的。可为有利的是收集数据(例如,在短时间段内收集数据)并使用拟合参数在较长时间段内推断性质的值。此类模型(例如,预测拟合参数的模型)可以在可能不存在实验数据的时间点预测性质。与性质有关的特征可包括对应于产品的保质期的时间段(例如,时间点)数据,但所述特征可以是除实例中的时间段数据之外的数据。
可以使用与化学组合物有关的数据来训练化学性质引擎630。如本文所述,数据可以是化学组合物的身份(例如,成分)以及其它数据。例如,可以使用化学组合物的成分、成分(例如,每种成分)的分子量、成分(例如,每种成分)的重量百分比等来训练化学性质引擎630。成分(例如,每种成分)的重量百分比可转换为摩尔浓度。可以在化学组合物老化后(例如,在化学组合物在40摄氏度下老化13周后)使用摩尔浓度、理论总氟含量和/或可溶性氟来训练化学性质引擎630。在使用训练数据训练化学性质引擎630(例如,化学性质引擎630的机器学习模型)之后,可以使用化学性质引擎630来确定(例如,预测)数据。例如,可以使用化学性质引擎630基于化学组合物的身份(例如,成分)和/或基于与化学组合物有关的分子浓度数据来确定(例如,预测)老化后可溶性氟的值。
可以使用拟合参数在未来时间段确定参数的值。未来时间段可以是与性质有关的特征。例如,可以使用化学组合物的成分、成分(例如,每种成分)的分子量、成分(例如,每种成分)的重量百分比和/或拟合参数来训练化学性质引擎630。在使用化学组合物的成分、成分(例如,每种成分)的分子量、成分(例如,每种成分)的重量百分比和/或拟合参数来训练化学性质引擎630(例如,化学性质引擎630的机器学习模型)之后,可以使用化学性质引擎630来确定拟合参数。拟合参数可以与拟合函数一起使用以确定定义的实例,如本文所述。例如,可以使用化学性质引擎630来确定(例如,预测)拟合参数的值,所述拟合参数可以与拟合函数一起使用以确定化学组合物老化后(例如,化学组合物在4、8和/或13周在40摄氏度下老化后)测量的理论总氟含量和/或可溶性氟含量。实例拟合函数可包括指数函数、多项式函数、功率函数、三角函数,但也可使用其它拟合函数。
可以基于功能和/或分类来选择训练数据中包括的信息并和/或将所述信息输入到化学性质引擎630的模型中。例如,化学组合物和/或化学组合物的成分可以具有定义的功能和/或分类,例如化学组合物中具有结合功能、保留功能、美白功能、醇分类、醚分类等的成分。功能可与化学组合物的一种或多种成分如何以产品形式使用有关。功能可与薄膜清洁比(PCR)和/或相对牙质磨蚀度(RDA)有关。
PCR是去污的测量值,并且可以表示例如牙膏的个人护理产品的清洁功效。RDA是磨蚀率(例如,纯磨蚀率)的测量值,并且可以表示例如牙膏的个人护理产品的侵蚀能力。化学组合物和/或化学组合物中的成分的实例功能700可见于图7。化学组合物和/或化学组合物中的成分的实例分类800可见于图8。尽管图7和图8分别提供了功能和分类的列表,但本领域技术人员应理解,图7中提供的功能和图8中提供的分类仅出于实例目的提供而非限制性的。
在实例中,一种或多种化学组合物可以(例如,仅可以)在化学组合物具有功能(例如,所需功能)的情况下输入到模型中。例如,集可以由八十种化学组合物组成。在八十种化学组合物中,十四种化学组合物可以包括提供每白功能的成分。用户可能期望确定化学组合物的性质的值,其中化学组合物(例如,化学组合物的成分)可以具有美白功能。在此类实例中,可使用(例如,仅使用)具有美白功能的化学组合物(例如,化学组合物的成分),例如上述实例中的十四种化学组合物来训练模型。另外或替代地,模型可以基于化学组合物的功能对化学组合物进行分类(例如,自动分类、动态分类等)。
在模型包括(例如,仅包括)定义的功能的化学组合物或模型基于定义的功能对化学组合物进行分类的情况下,化学性质引擎630可以提供具有(例如,仅具有)所述功能的化学组合物的信息。例如,化学性质引擎630可以基于化学组合物的身份来确定具有功能(例如,风味功能、结合功能等)的化学组合物的性质的值。相反,化学性质引擎630可以基于化学组合物的性质的值来确定具有某一功能的化学组合物的身份。
在其它实例中,一种或多种化学组合物可以(例如,仅可以)在化学组合物具有某一分类(例如,化学分类)的情况下输入到模型中。分类可与例如形成个人护理产品的化学组合物等化学组合物的成分的分子性质有关。化学组合物可以(例如,仅可以)在化学组合物具有期望分类的情况下输入到模型中。实例化学分类可包括醇分类、氨基酸分类、酶分类、脂肪酸分类、酮分类、肽分类以及图8中提供的其它分类。
例如,集可以由四十种化学组合物组成。在四十种化学组合物中,十种化学组合物可以包括分类为醚的成分。用户可能期望确定化学组合物的性质的值,其中化学组合物(例如,化学组合物的成分)可具有醚的分类。在此实例中,可以使用(例如,仅使用)具有醚分类的化学组合物(例如,化学组合物的成分)来训练模型。另外或替代地,模型可以基于化学组合物的分类来对化学组合物进行分类(例如,自动分类、动态分类等)。
在模型包括(例如,仅包括)定义的分类的化学组合物或模型基于定义的分类对化学组合物进行分类的情况下,化学性质引擎630可以提供具有(例如,仅具有)所述分类的化学组合物的信息。例如,化学性质引擎630可以基于化学组合物的身份来确定具有分类(例如,醇分类、脂肪酸分类等)的化学组合物的性质的值。相反,化学性质引擎630可以基于化学组合物的性质的值来确定具有某一分类的化学组合物的身份。
如本文所述,可以基于化学组合物和/或化学组合物的成分的功能、分类、临床/消费者试验、消费者感知等将与一种或多种化学组合物有关的信息输入到模型中。可以基于实验、模拟、数学计算、分析、临床/消费者试验和/或关于被建模的性质的假设来识别化学组合物的信息(例如,身份、性质的值等)。例如,可以识别化学组合物的性质的实际(例如,实际测量的)值并将其输入到模型中。
可以使用训练集(例如,化学组合物的身份和化学组合物的性质的相关联值)来训练机器学习模型(例如,化学性质引擎630)。如本文所述,机器学习模型(例如,化学性质引擎630)可以使用训练集来执行所选机器学习规则或算法。一旦经过训练,模型就可用于相对于所关注性质确定(例如,预测)化学组合物的身份和/或性质的值。
图9A示出用于训练化学性质引擎630的实例数据的框图。数据902可与一种或多种化学组合物(例如,样本化学组合物)有关。数据902可以是已知的和/或确定的。例如,可以通过实验测量数据、数学计算(例如,经由热力学计算)数据、从存储装置(例如,从数据库,例如化学性质数据库624)接收数据、从临床试验接收数据等已知数据902。数据902可包括一个或多个参数的值。例如,数据902可以包括化学组合物的身份。身份可包括化学组合物的名称、化学组合物的成分、化学组合物的成分的化学信息值/性质、化学组合物的性质的值、与化学组合物的性质有关的特征的值、化学组合物的消费者感知等。可以将数据输入到化学性质引擎630中,例如,以训练模型以预测化学组合物的一个或多个值。
如图9A所示,数据902可包括一种或多种化学组合物的一种或多种成分912。成分可以包括第一成分912a、第二成分912b等。实例成分在图1A、1B和2A、2B中提供。例如,化学组合物可以包括水、甘油、丙二醇和风味成分。在此类实例中,数据902可包括水、甘油、丙二醇和风味成分的数据。每种成分912a、912b等可以包括所述成分的身份和/或所述成分的化学信息值。例如,数据902可以包括化学信息值914a、914b等。在包括甘油、丙二醇和风味成分的实例化学组合物中,甘油、丙二醇和风味中的每一者将具有数据902内的相应化学信息值。
数据902可包括化学组合物的性质的值904。性质的值904可能受一种或多种成分的影响。例如,性质的值904可能受与化学组合物的一种或多种其它成分相互作用的一种或多种成分的影响。性质可以是pH、氟稳定性、粘度稳定性、磨蚀、比重、临床/消费者结果和/或试验、用户相关信息、环境特征、消费者对化学组合物的感知等。数据902可包括性质的值,例如pH性质的值。如本文所述,性质(例如,pH性质)的值可受化学组合物的一种或多种成分影响。
数据902可包括与化学组合物的一种或多种性质有关的特征的值906。例如,性质的值904可与临床/消费者试验和/或结果数据等有关。与临床试验和/或临床结果数据有关的性质的值904可以是消费者对产品(例如,香水)的感知喜好、牙膏的临床美白功效、护肤霜的保湿能力等。与性质有关的特征的值906可以是调配物属性(例如,化学组合物的氧化电位)、时间段(例如,使用六周时、使用八周时的牙齿美白值)、用户相关数据(例如,使用化学组合物的消费者的年龄、与消费者有关的地理数据、用户的刷牙习惯等)等。
可以将数据902的一个或多个值输入到化学性质引擎630中,例如,以训练化学性质引擎630。可以将化学组合物的身份、化学组合物的性质(例如,其它性质)的相关联值和/或与性质有关的特征输入到化学性质引擎630中。例如,可以将化学组合物(例如,样本化学组合物)的成分和性质的相关联值输入到化学性质引擎630中。化学性质引擎630可以提供化学组合物的成分与化学组合物的性质的值的关联。在另一个实例中,可以将化学组合物(例如,样本化学组合物)的成分、性质的相关联值以及与性质有关的特征输入到化学性质引擎630中。化学性质引擎630可以提供化学组合物的成分、化学组合物的性质的值以及与化学组合物的性质有关的特征的关联。
图9B示出用于使用化学性质引擎630确定与化学组合物有关的信息的实例数据920的框图。例如,图9B示出用于经由化学性质引擎630确定性质的值904和/或与性质有关的特征的值906的实例数据920的框图。数据920可与一种或多种组合物(例如,化学组合物,例如所考虑化学组合物)有关。数据920可以是已知的和/或确定的。例如,数据920可以是已知的和/或通过从存储器(例如,从数据库,例如化学性质数据库624)接收数据、实验测量数据、数学计算(例如,经由热力学计算)数据、经由调查或临床试验接收数据等来确定。
数据920可包括一个或多个参数的值。数据920可包括化学组合物的身份,例如化学组合物的名称、化学组合物的成分912、化学组合物的成分的化学信息值/性质、化学组合物的性质的值、与化学组合物的性质有关的特征的值等。可以将数据920输入到化学性质引擎630中,例如以从化学性质引擎630(例如,化学性质引擎630的机器学习模型)确定化学组合物的性质的一个或多个值904和/或与化学组合物的性质有关的特征的值906。
如图9B所示,数据920可包括一种或多种化学组合物的一种或多种成分912。成分912可包括第一成分912a、第二成分912b等。例如,化学组合物可以包括水、甘油、丙二醇和风味成分。在此类实例中,数据920可包括水、甘油、丙二醇和风味成分的数据。每种成分912a、912b等可以包括所述成分的化学信息值。例如,数据902可以包括化学信息值914a、914b等。在包括甘油、丙二醇和风味成分的实例化学组合物中,甘油、丙二醇和风味中的每一者将具有数据920内的相应化学信息值。
可以将数据920的一个或多个值输入到化学性质引擎630中,例如以确定(例如,从化学性质引擎630确定)化学组合物的性质的值904和/或与化学组合物的性质有关的特征的值906。例如,可以将化学组合物(例如,样本化学组合物)的成分912输入到化学性质引擎630中。化学性质引擎630可以运行(例如,处理)一个或多个机器学习规则以确定化学组合物的性质的值904。化学性质引擎630可以在确定值之后提供化学组合物的性质的值904。
在另一个实例中,可以将化学组合物(例如,样本化学组合物)的成分912输入到化学性质引擎630中,并且可以将与化学组合物的一种或多种性质有关的一个或多个特征输入到化学性质引擎630中。化学性质引擎630可以运行(例如,处理)一个或多个机器学习规则以确定化学组合物的性质的值904。性质的值可以与特征相关联(例如,临床美白功效的值可以与临床参与者低于预定年龄的特征相关联)。化学性质引擎630可以在确定值之后提供化学组合物的性质的值904。
化学性质引擎630(例如,化学性质引擎630的模型)可以被配置成例如基于接收化学组合物的成分的身份和/或与化学组合物的性质的值有关的特征等来预测化学组合物的性质的值。在一个实例中,化学组合物的性质的值可受化学组合物的成分影响(例如,可受化学组合物的一种或多种成分的相互作用影响)和/或受与化学组合物的性质有关的特征的值影响。当与化学组合物有关的信息被供应到经过训练的模型时,输出可以包含关于化学组合物的性质的值、与性质有关的特征、与化学组合物相关联的拟合参数、化学组合物的身份等的预测。性质可与化学组合物的pH、化学组合物的粘度稳定性、化学组合物的磨蚀、化学组合物的比重、临床/消费者试验和/或结果、化学组合物的消费者感知等有关。与性质有关的特征可涉及用户相关值、环境因素等。例如,预测可以采用来自连续值范围的值或来自离散值的值的形式。
图9C示出用于经由化学性质引擎630确定化学组合物的身份的实例数据930的框图。数据930可与一种或多种化学组合物(例如,所考虑化学组合物)有关。数据930可以是已知的。例如,如本文所述,可以通过实验测量数据、数学计算(例如,经由热力学计算)数据、经由临床/消费者试验接收数据、从存储装置(例如,从数据库,例如化学性质数据库624)接收数据等已知数据930。如图9C所示,数据930可包括化学组合物的性质的值904、与化学组合物的性质有关的特征的值906等。可以将数据930输入到化学性质引擎630中,例如以确定化学组合物的信息(例如,相关联信息)。例如,可以将数据930(例如,值904)输入到化学性质引擎630中以根据模型确定化学组合物的成分912,所述成分确定(例如,预测)为与输入到化学性质引擎630中的性质的值904有关。
如本文中所描述,数据930可包括性质的值904、与性质有关的特征的值906等。可以将性质的值904和/或与性质有关的特征的值906输入到化学性质引擎630中,例如以预测(例如,确定)化学组合物的名称、化学组合物的一种或多种成分912、化学组合物的化学信息值914a、914b、...、914n等。成分可以包括第一成分912a、第二成分912b等。例如,化学组合物可以包括水、甘油、丙二醇和风味成分。化学信息值可以与(例如,每种)成分912a、912b等相关联。例如,成分912a可以包括化学信息值914a。
例如,可以将化学组合物的性质的值904和/或与性质有关的特征的值906输入到化学性质引擎630中。基于化学组合物的性质的值904和/或与性质有关的特征的值906,化学性质引擎630(例如,化学性质引擎630的模型)可以被配置成预测形成个人护理产品的化学组合物的身份(例如,名称、成分、化学信息值等)。当与化学组合物有关的信息被供应到化学性质引擎630时,输出可以包含关于形成个人护理产品的化学组合物的身份(例如,名称、化学信息值等)、与化学组合物相关联的拟合参数、化学组合物的性质的值(例如,另一个值)和与性质有关的特征等的确定(例如,预测)。化学性质引擎630可以例如经由用户装置502向用户提供化学组合物的名称、成分、化学信息值等。
图10A-10C示出用于训练化学性质建模装置602(例如,化学性质建模装置602内的化学性质引擎630)的实例图形用户界面(GUI)。GUI可以显示在一个或多个装置上。例如,GUI可以显示在训练装置上,例如训练装置650、用户装置等。
如图10A所示,GUI可请求来自用户的信息,例如,GUI可经由提示请求1010请求来自用户的信息。提示请求1010可以询问用户,用户想要使用什么数据来训练化学性质引擎630(例如,化学性质引擎630的模型)。用于训练模型的数据可被称为样本数据。数据可以包括形成个人护理产品的化学组合物的身份(例如,名称、成分、成分的化学信息值)、个人护理产品的性质的值、与性质有关的特征的值等。GUI可以提供输入机制1012,以便用户提供对提示请求1010的响应。例如,GUI可以具有用于从用户接收文本的文本框、用于选择的单选按钮等。如图10A所示,可提供复选框1012。在提供文本框的实例中,用户可以检查输入机制1012中用于训练化学性质引擎630的一个或多个数据。
在用户选择期望输入到化学性质引擎630中(例如,用于训练化学性质引擎630)的数据之后,用户可以输入此类数据。用户可以手动输入数据(例如,经由手动键入或说出数据)。用户可以输入单条数据,或者用户可以输入多条数据。例如,用户可以输入化学组合物的身份(例如,成分)、化学组合物的性质和/或与性质有关的特征。如图10B所示,GUI可以向用户提供选择要输入到化学性质引擎630中的数据的指示。GUI可以显示待输入到化学性质引擎630中的数据,例如,GUI可以基于在图10A的输入机制1012上提供的输入显示待输入到化学性质引擎630中的数据。
在一个实例中,用户可能期望输入形成产品(例如,个人护理产品、食品、药物等)的化学组合物的成分1016a、化学组合物的性质的值1016b、和/或与性质相关的特征的值10616c。如图10B所示,用户可以选择文件以提供成分信息(经由浏览1017a)、性质的值信息(经由浏览1017b)和/或与性质有关的值信息(经由浏览1017c)。尽管图10B示出用于输入数据的浏览按钮,但本领域技术人员将理解,存在用于例如经由数据库(例如,位于例如云服务器等服务器上的数据库)、经由一个或多个硬盘驱动器、经由外部装置(例如,用户装置502)等选择数据和/或将数据输入到化学性质引擎630的其它方法。
用户可以将数据输入到用于一种或多种化学组合物的化学性质引擎630中。例如,用户可以用与几十种、几百种、几千种等化学组合物有关的数据来训练化学性质引擎630。用户可以用针对一种或多种化学组合物的相同数据来训练化学性质引擎630。例如,用户可以用几十种化学组合物的成分和性质值来训练化学性质引擎630。
用户可以用针对一种或多种化学组合物的不同数据(例如,不同数据的类型)来训练化学性质引擎630。例如,用户可以用某些化学组合物的成分、性质的值和/或与性质的值有关的特征的值;用某些化学组合物的化学信息值、性质值和/或与性质有关的特征的值;用某些化学组合物的化学组合物名称、性质的值和/或与性质的值有关的特征的值等来训练化学性质引擎630。
用户可以用性质的值来训练化学性质引擎630,所述性质的值包含pH、氟稳定性、粘度稳定性、磨蚀、比重、临床/消费者试验和结果、用户相关数据、消费者感知等。如果用户期望输入额外数据,训练装置650(例如,训练装置的GUI)可以进行请求。例如,如图10C所示,GUI可以提供额外数据提示1018来询问用户,用户是否期望将任何额外数据输入到化学性质引擎630(例如,化学性质引擎630的模型)中。如果用户期望进一步训练化学性质引擎630,则用户可能期望将额外数据输入到化学性质引擎630中。如果用户期望将额外数据输入到化学性质引擎630中,用户可以在区域1020中选择是提示,否则用户可以在区域1020中选择否提示。如果用户在区域1020中选择是提示,可以向用户提供图10B中所示的(并且在本文中描述的)GUI。如果用户在区域1020中选择否提示,则用户可以退出GUI。
图11A-11D示出用于确定(例如,预测)来自化学性质建模装置602(例如,化学性质建模装置602内的化学性质引擎630)的数据的实例图形用户界面(GUI)。GUI可以显示在一个或多个装置上。例如,GUI可以显示在用户装置上,例如用户装置502。
如图11A所示,GUI可例如经由提示请求1110请求来自用户的信息。提示请求1110可以询问用户,用户想要模型确定(例如,预测)哪些数据。GUI可以提供输入机制1112,以便用户提供对提示请求1110的响应。例如,GUI可以具有用于从用户接收文本的文本框、用于选择的单选按钮等。如图11A所示,可提供复选框1112。用户可以检查输入机制1112中的一个或多个数据,使得化学性质引擎630可以确定与化学组合物有关的一条或多条数据。输入机制可以允许选择额外信息,包括信息的子类别以供确定。信息的子类别可包括与化学组合物的性质有关的特征的值。输入机制1112可以允许用户将待确定的性质的值定义为pH、氟稳定性、粘度稳定性、磨蚀、比重、临床试验和/或结果、消费者感知等。
在用户选择用户期望化学性质引擎630确定的数据之后,用户可以输入与期望数据相关联的数据,如图11B所示。例如,提示1116指示用户期望确定化学组合物的性质的值(基于图11A中的用户输入1112)。如图11B所示,GUI可以提供输入1118,允许用户选择用户期望输入到化学性质引擎630中例如以确定化学组合物的性质的值的数据。要输入到化学性质引擎630中的数据的实例包括形成产品(例如,个人护理产品)的化学组合物的身份(例如,名称、成分、成分的化学信息值)、个人护理产品的性质的值等。可以将额外数据,例如与性质相关的特征的一个或多个值输入到化学性质引擎630中,以确定产品的性质的一个或多个值。
在用户选择用户期望确定的数据(1112)和用户想要用来确定个人护理产品的值的数据(1118)之后,用户可以提供相关联数据。图11C示出了实例GUI,其中用户可以在1122处输入数据。提示1120指示用户已选择输入化学组合物的成分(以确定化学组合物的性质的值),然而此类指示仅用于说明目的,并且用户可以提供其它类型的数据以确定与化学组合物有关的信息。
用户可以手动输入数据(例如,经由手动键入或说出数据)。例如,用户可以手动输入化学组合物的成分,如图11C所示。用户可以输入单条数据,或者用户可以输入多条数据。例如,如图11C所示,GUI可以向用户提供选择要输入到化学性质引擎630中的数据的指示。用户可以选择文件以提供成分信息(经由浏览按钮1122)。尽管图11C示出用于输入数据的浏览按钮1122,但本领域技术人员将理解,存在用于例如经由数据库(例如,位于云上的数据库)、经由外部硬盘驱动器、经由外部装置(例如,用户装置502)等选择数据和/或将数据输入到化学性质引擎630的其它方法。
GUI可以提供确定的(例如,预测的)数据。例如,GUI可以提供参数的值,如图11D所示。参数的值可与形成个人护理产品的化学组合物有关。提示1130可显示由用户提供的相关联数据。例如,提示1130可以显示确定的数据是基于成分信息(例如,由用户提供的成分信息)。提示1130可以指示已经确定哪些数据。例如,提示1130指示确定了个人护理产品的性质的值。输出1132提供确定的值。如图11D所示,确定的值可以是1.7。在实例中,GUI可提供信息的进一步信息,例如性质是pH、氟稳定性、粘度稳定性、磨蚀、比重和/或消费者感知。
图12是用于确定(例如,预测)化学组合物的值的实例过程1200。值可以是化学组合物的身份,例如化学组合物的名称、化学组合物的成分、化学组合物的成分的化学信息值、化学组合物的性质的值等。
在1202,可以接收化学组合物(例如,样本化学组合物)的身份。可以从本文描述的数据库或另一存储装置接收身份。如上所述,化学组合物的身份可以是化学组合物的名称、化学组合物的成分、化学组合物的成分的化学信息值等。
在1204,可以接收化学组合物(例如,样本化学组合物)的参数的值。性质的值可能受化学组合物的一种或多种成分影响。例如,性质可以是化学组合物的pH,并且性质的值可以是化学组合物的pH的值。
如本文所述,化学组合物(例如,样本化学组合物)的身份和/或参数的值可用于训练机器学习模型。例如,在1206,可以将化学组合物(例如,样本化学组合物)的性质的值输入到机器学习模型中以训练机器学习模型。可以将化学组合物的身份输入到机器学习模型中以训练机器学习模型。化学组合物的身份可以是化学组合物的名称、化学组合物的成分、化学组合物的成分的化学信息值等中的一者或多者。机器学习模型可以对化学组合物的性质的值和化学组合物的身份进行关联。
在训练机器学习模型之后,机器学习模型可以确定化学组合物的一个或多个值。机器学习模型可以响应于接收到相关联的一条数据来确定化学组合物的一个或多个值。例如,机器学习模型可以基于例如化学组合物的成分或化学组合物的名称等化学组合物的身份来确定化学组合物的性质的值。化学组合物的性质可以是化学组合物的pH值、化学组合物的氟稳定性值、化学组合物的粘度值、化学组合物的磨蚀值、化学组合物的比重值、化学组合物的消费者感知值等。
例如,在1208,机器学习模型可以接收化学组合物(例如,所考虑化学组合物)的一个或多个值。如本文所述,所考虑化学组合物可以是其中一个或多个值未知且期望知道的化学组合物。例如,所考虑化学组合物的身份可以是已知的,所考虑化学组合物的成分可以是已知的,和/或所考虑化学组合物的化学信息值可以是已知的。所考虑化学组合物的性质的值可以是未知的。
图13是基于化学组合物的身份和/或与性质有关的特征确定(例如,预测)化学组合物的值的实例过程1300。
在1302,可以接收化学组合物(例如,样本化学组合物)的身份。可以从本文描述的数据库或另一存储装置接收身份。如上所述,化学组合物的身份可以是化学组合物的名称、化学组合物的成分、化学组合物的成分的化学信息值等。
在1304,可以接收化学组合物(例如,样本化学组合物)的参数的值。性质的值可能受化学组合物的一种或多种成分影响。例如,性质可以是牙龈炎减少、美白功效、消费者对香水的感知喜好等。性质的值可以是在临床/消费者试验中经由测量等识别的值。
在1305,可以接收与化学组合物的值有关的特征的值。与性质的值有关的特征可包括例如进行牙龈炎减少的临床试验的时间段、确定临床美白功效的人的年龄、提供消费者对香水的感知喜好的用户的人口统计数据等。尽管这些实例描述了在临床试验期间确定的特征,但可经由临床和/或非临床方法,例如经由实验、测量等来确定性质的此类特征。
在1306,可将化学组合物(例如,样本化学组合物)的性质的值和与性质有关的特征的值输入到机器学习模型中以训练机器学习模型。可以将化学组合物的身份输入到机器学习模型中以训练机器学习模型。机器学习模型可以对化学组合物的一种或多种性质的值、与性质有关的一个或多个特征的值和一种或多种化学组合物的身份进行关联。
在训练机器学习模型之后,机器学习模型可以确定化学组合物的性质的一个或多个值和/或与性质有关的特征的一个或多个值。机器学习模型可响应于接收到一条或多条相关联数据来确定化学组合物的性质的一个或多个值。例如,机器学习模型可以基于化学组合物的身份和/或与性质有关的特征来确定化学组合物的性质的值。在实例中,化学组合物的性质可以是牙龈炎减少、美白功效、消费者对香水的感知喜好等。在其它实例中,化学组合物的性质可以是化学组合物的pH值、化学组合物的氟稳定性值、化学组合物的粘度值、化学组合物的磨蚀值、化学组合物的比重值、临床/消费者试验、化学组合物的消费者感知值等。
例如,在1308,机器学习模型可以接收化学组合物(例如,所考虑化学组合物)的性质的一个或多个值和/或与化学组合物的性质有关的特征的一个或多个值。如本文所述,所考虑化学组合物可以是其中一个或多个值未知且期望知道的化学组合物。例如,所考虑化学组合物的身份可以是已知的,所考虑化学组合物的成分可以是已知的,所考虑化学组合物的化学信息值可以是已知的,与性质的值有关的特征的值可以是已知的等。所考虑化学组合物的性质的值可以是未知的。
可以将已知值(例如,所考虑化学组合物的身份、所考虑化学组合物的成分、所考虑化学组合物的化学信息值等)输入到机器学习模型中。可以将与性质有关的特征(例如,时间段、用户相关信息等)的值输入到机器学习模型中。基于输入到机器学习模型中的已知值和/或特征,机器学习模型可以确定所考虑化学组合物的性质的值。可以向用户显示或以其它方式提供所考虑化学组合物的值。
在实例中,用户可以确定性质的值是否对应于性质的期望值。例如,可能期望(例如,需要)个人护理产品针对个人护理产品的性质具有定义值。所述值可与pH值或本文中所描述的一个或多个其它性质有关。如果机器学习模型确定化学组合物具有与性质的期望值匹配的性质值,则用户可以执行动作,例如产生具有与确定值相关联的成分的个人护理产品。可以修改与期望性质的值有关的特征的值,例如以使性质的值与期望性质匹配。例如,可以调整时间段,使得(例如,直到)化学组合物的性质的值与期望值匹配。用户可以执行动作,例如通过执行性质值的测量、执行值的数学计算,以确认由机器学习模型提供的结果是准确的。用户可以在产生具有与确定值相关联的成分的个人护理产品之前确认由机器学习模型提供的结果是准确的。
本文描述的系统可以使用任何可用的计算机系统和设想用于已知和稍后开发的计算平台和硬件的适配来实现。此外,本文描述的方法可以由软件应用程序执行,所述软件应用程序被配置成在计算机系统上执行,所述计算机系统范围从单用户工作站、客户端服务器网络、采用点对点技术的大型分布式系统或集群网格系统。在一个实例中,可以使用高速计算集群。用于实践本文描述的方法的计算机系统可以使用例如互联网的数据通信网络在地理上跨越地方或国家边界分散。此外,可以使用众所周知的数据存储和传输技术将在一个位置处生成的预测传送至其它位置,并且可以在其它位置以实验方式验证预测。
虽然已经相对于特定实例(包括实行本发明的当前优选模式)描述了本发明,但是本领域的技术人员应了解,存在上文所述的系统和技术的许多变型和置换。应当理解,在不背离本发明的范围的情况下,可以利用其它实施例并且可以进行结构和功能修改。因此,本发明的精神和范围应当广义地解释为如所附权利要求书中陈述的。
Claims (190)
1.一种确定所考虑化学组合物的性质的值的计算机实施的方法,所述方法包含:
(a)接收包含成分的样本化学组合物的身份,所述成分中的每一者与所述样本化学组合物的化学信息性质中的某一化学信息性质的值相关联;
(b)接收所述样本化学组合物的性质的值,所述样本化学组合物的所述性质受所述样本化学组合物的所述成分中的至少两者的相互作用影响;
(c)将所述样本化学组合物的所述性质的所述值以及(1)所述样本化学组合物的所述身份或(2)所述样本化学组合物的所述成分的所述化学信息性质的所述值中的至少一者输入到模型中;以及
(d)经由所述模型,基于(1)所述所考虑化学组合物的身份或(2)所述所考虑化学组合物的成分的化学信息性质的值中的至少一者来确定所述所考虑化学组合物的所述性质的所述值;
其中所述所考虑化学组合物的所述性质受所述所考虑化学组合物的所述成分中的至少两者的相互作用影响;并且
其中由一个或多个处理器执行步骤(c)-(d)。
2.根据权利要求1所述的方法,其中对于所述样本化学组合物和所述所考虑化学组合物中的每一者,所述身份包含每种化学组合物的所述成分的身份。
3.根据前述权利要求中任一项所述的方法,其中所述模型是机器学习模型,所述所考虑化学组合物的所述性质的所述值经由所述机器学习模型的规则来确定。
4.根据权利要求3所述的方法,其中所述机器学习模型包含监督学习方法。
6.根据前述权利要求中任一项所述的方法,其中所述所考虑化学组合物的所述性质的所述值与所述所考虑化学组合物的理化性质有关,所述理化性质与所述所考虑化学组合物的物理性质或化学性质有关。
7.根据前述权利要求中任一项所述的方法,其中所述所考虑化学组合物的所述性质与所述样本化学组合物的所述性质相同。
8.根据前述权利要求中任一项所述的方法,其中所述确定所述所考虑化学组合物的所述性质的所述值是基于所述所考虑化学组合物的所述成分的所述化学信息性质的所述值,而不是基于所述所考虑化学组合物的所述身份。
9.根据前述权利要求中任一项所述的方法,其中所述样本化学组合物的所述成分的身份和所述样本化学组合物的所述成分的所述化学信息性质的所述值存储在数据库中。
10.根据前述权利要求中任一项所述的方法,其中所述样本化学组合物的所述性质的所述值经由所述样本化学组合物的实验测量或所述样本化学组合物的热力学计算中的至少一者来识别。
11.根据前述权利要求中任一项所述的方法,其中所述样本化学组合物的所述性质的所述值经由所述样本化学组合物的实验测量来识别。
12.根据前述权利要求中任一项所述的方法,其中所述样本化学组合物的所述性质的所述值由经由所述样本化学组合物的实验测量识别的第一值或经由热力学计算识别的第二值中的至少一者组成。
13.根据前述权利要求中任一项所述的方法,其进一步包含产生由所述所考虑化学组合物组成的个人护理产品。
14.根据权利要求13所述的方法,其中所述个人护理产品是牙膏。
15.根据前述权利要求中任一项所述的方法,其中对于所述样本化学组合物和所述所考虑化学组合物中的每一者,所述性质的所述值与pH、流变、磨蚀度、化学降解、相变、浊度、成分溶解度、挥发性损失或消费者感知中的至少一者有关。
16.根据前述权利要求中任一项所述的方法,其中对于所述样本化学组合物和所述所考虑化学组合物中的每一者,所述化学信息性质与定性类别、定性感觉属性、分子式、酸解离常数、溶度积、结构拓扑、官能团计数、化学片段计数、疏水性、分配系数、空间参数、缔合常数或亲水亲油平衡(HLB)中的至少一者有关。
17.根据权利要求16所述的方法,其中所述定性类别包含成分功能或成分分类中的至少一者。
18.根据权利要求16或权利要求17所述的方法,其中所述定性感觉属性包含气味、口味或触觉属性中的至少一者。
19.根据前述权利要求中任一项所述的方法,其进一步包含:
储存样本化学组合物。
20.根据前述权利要求中任一项所述的方法,其包含:
在执行步骤(d)之前,对多个样本化学组合物重复步骤(a)-(c)。
21.一种确定所考虑化学组合物的性质的值的计算机实施的方法,所述方法包含:
(a)接收包含成分的样本化学组合物的身份,所述成分中的每一者与所述样本化学组合物的化学信息性质中的某一化学信息性质的值相关联;
(b)接收所述样本化学组合物的样本理化性质的值,所述样本化学组合物的所述样本理化性质受所述样本化学组合物的所述成分中的至少两者的相互作用影响;
(c)将所述样本化学组合物的所述样本理化性质的所述值以及(1)所述样本化学组合物的所述身份或(2)所述样本化学组合物的所述成分的所述化学信息性质的所述值中的至少一者输入到模型中;以及
(d)经由所述模型,基于(1)所述所考虑化学组合物的身份或(2)所述所考虑化学组合物的成分的化学信息性质的值中的至少一者来确定所述所考虑化学组合物的所考虑理化性质的所述值;
其中所述所考虑化学组合物的所述所考虑理化性质受所述所考虑化学组合物的所述成分中的至少两者的相互作用影响;
其中所述所考虑理化性质不同于所述样本理化性质;并且
其中由一个或多个处理器执行步骤(c)-(d)。
22.根据权利要求21所述的方法,其中所述样本理化性质和所述所考虑理化性质与化学组合物的物理性质或化学性质有关。
23.根据权利要求21至22中任一项所述的方法,其中对于所述样本化学组合物和所述所考虑化学组合物中的每一者,所述身份包含每种化学组合物的所述成分的身份。
24.根据权利要求21至23中任一项所述的方法,其中所述模型是机器学习模型,所述所考虑化学组合物的所述性质的所述值经由所述机器学习模型的规则来确定。
25.根据权利要求24所述的方法,其中所述机器学习模型包含监督学习方法。
26.根据权利要求25所述的方法,其中所述监督学习方法包含决策树规则、随机森林规则、支持向量机规则、朴素贝叶斯分类规则或逻辑回归规则中的至少一者。
27.根据权利要求21至26中任一项所述的方法,其中所述确定所述所考虑化学组合物的所述所考虑理化性质的所述值是基于所述所考虑化学组合物的所述成分的所述化学信息性质的所述值,而不是基于所述所考虑化学组合物的所述身份。
28.根据权利要求21至27中任一项所述的方法,其中所述样本化学组合物的所述成分的身份和所述样本化学组合物的所述成分的所述化学信息性质的所述值存储在数据库中。
29.根据权利要求21至28中任一项所述的方法,其中所述样本化学组合物的所述样本理化性质的所述值经由所述样本化学组合物的实验测量或所述样本化学组合物的热力学计算中的至少一者来识别。
30.根据权利要求21至29中任一项所述的方法,其中所述样本化学组合物的所述样本理化性质的所述值经由所述样本化学组合物的实验测量来识别。
31.根据权利要求21至30中任一项所述的方法,其中所述样本化学组合物的所述样本理化性质的所述值由经由所述样本化学组合物的实验测量识别的第一值或经由热力学计算识别的第二值中的至少一者组成。
32.根据权利要求21至31中任一项所述的方法,其进一步包含产生由所述所考虑化学组合物组成的个人护理产品。
33.根据权利要求32所述的方法,其中所述个人护理产品是牙膏。
34.根据权利要求21至33中任一项所述的方法,其中对于所述样本化学组合物和所述所考虑化学组合物中的每一者,所述理化性质的所述值与pH、流变、磨蚀度、化学降解、相变、浊度、成分溶解度、挥发性损失或消费者感知中的至少一者有关。
35.根据权利要求21至34中任一项所述的方法,其中对于所述样本化学组合物和所述所考虑化学组合物中的每一者,所述化学信息性质与定性类别、定性感觉属性、分子式、酸解离常数、溶度积、结构拓扑、官能团计数、化学片段计数、疏水性、分配系数、空间参数、缔合常数、折射率或亲水亲油平衡(HLB)中的至少一者有关。
36.根据权利要求35所述的方法,其中所述定性类别包含成分功能或成分分类中的至少一者。
37.根据权利要求35或权利要求36所述的方法,其中所述定性感觉属性包含气味、口味或触觉属性中的至少一者。
38.根据权利要求21所述的方法,其进一步包含:
在执行步骤(d)之前,对多个样本化学组合物重复步骤(a)-(c)。
39.一种确定所考虑化学组合物的性质的值的计算机实施的方法,所述方法包含:
(a)接收所关注特性的身份;
(b)接收样本化学组合物的身份,所述样本化学组合物中的每一者包含各自与所述样本化学组合物的化学信息性质中的某一化学信息性质的值相关联的成分;
(c)对于所述样本化学组合物中的每一者,接收受所述样本化学组合物的所述成分中的至少两者的相互作用影响的性质的值;
(d)仅对于具有所述所关注特性的所述样本化学组合物中的每一者,将所述样本化学组合物的所述性质的所述值以及(1)所述样本化学组合物的所述身份或(2)所述样本化学组合物的所述成分的所述化学信息性质的所述值中的至少一者输入到模型中;以及
(e)经由所述模型,基于(1)所述所考虑化学组合物的身份或(2)所述所考虑化学组合物的所述成分的化学信息性质的值中的至少一者来确定所述所考虑化学组合物的所述性质的所述值;
其中所述所考虑化学组合物的所述性质受所述所考虑化学组合物的至少两种成分的相互作用影响;并且
其中由一个或多个处理器执行步骤(d)-(e)。
40.根据权利要求39所述的方法,其中所述所关注特性包含化学组合物的功能,所述功能与所述化学组合物的一种或多种成分如何以产品形式使用有关。
41.根据权利要求40所述的方法,其中所述化学组合物的所述功能包含磨蚀剂功能、螯合剂功能、着色剂功能、氧化剂功能、还原剂功能或表面活性剂功能。
42.根据权利要求40或权利要求41所述的方法,其中所述化学组合物的所述功能与薄膜清洁比(PCR)或相对牙质磨蚀度(RDA)中的至少一者有关。
43.根据权利要求39至42中任一项所述的方法,其中所述所关注特性包含化学组合物的分类,所述分类与所述化学组合物的成分的分子性质有关。
44.根据权利要求43所述的方法,其中所述化学组合物的所述分类与醇分类、氨基酸分类、酶分类、脂肪酸分类、酮分类或肽分类有关。
45.根据权利要求39至44中任一项所述的方法,其中所述所考虑化学组合物的所述身份包含所述所考虑化学组合物的所述成分的身份。
46.根据权利要求39至45中任一项所述的方法,其中所述模型是机器学习模型,所述所考虑化学组合物的所述性质的所述值经由所述机器学习模型的规则来确定。
47.根据权利要求46所述的方法,其中所述机器学习模型包含监督学习方法。
48.根据权利要求39至47中任一项所述的方法,其中所述所考虑化学组合物的所述性质的所述值与所述所考虑化学组合物的理化性质有关,所述理化性质与所述所考虑化学组合物的物理性质或化学性质有关。
49.根据权利要求39至48中任一项所述的方法,其中所述所考虑化学组合物的所述性质与所述样本化学组合物的所述性质相同。
50.根据权利要求39至49中任一项所述的方法,其中所述确定所述所考虑化学组合物的所述性质的所述值是基于所述所考虑化学组合物的所述成分的所述化学信息性质的所述值,而不是基于所述所考虑化学组合物的所述身份。
51.根据权利要求39至50中任一项所述的方法,其中所述样本化学组合物的所述成分的身份和所述样本化学组合物的所述成分的所述化学信息性质的所述值存储在数据库中。
52.根据权利要求39至51中任一项所述的方法,其中所述样本化学组合物的所述性质的所述值经由所述样本化学组合物的实验测量或所述样本化学组合物的热力学计算中的至少一者来识别。
53.根据权利要求39至52中任一项所述的方法,其中所述样本化学组合物的所述性质的所述值经由所述样本化学组合物的实验测量来识别。
54.根据权利要求39至53中任一项所述的方法,其中所述样本化学组合物的所述性质的所述值由经由所述样本化学组合物的实验测量识别的第一值或经由热力学计算识别的第二值中的至少一者组成。
55.根据权利要求39至54中任一项所述的方法,其进一步包含产生由所述所考虑化学组合物组成的个人护理产品。
56.根据权利要求55所述的方法,其中所述个人护理产品是牙膏。
57.根据权利要求39至56中任一项所述的方法,其中对于所述样本化学组合物和所述所考虑化学组合物中的每一者,所述性质的所述值与pH、流变、磨蚀度、化学降解、相变、浊度、成分溶解度、挥发性损失或消费者感知中的至少一者有关。
58.根据权利要求39至57中任一项所述的方法,其中对于所述样本化学组合物和所述所考虑化学组合物中的每一者,所述化学信息性质与定性类别、定性感觉属性、分子式、酸解离常数、溶度积、结构拓扑、官能团计数、化学片段计数、疏水性、分配系数、空间参数、缔合常数、折射率或亲水亲油平衡(HLB)中的至少一者有关。
59.根据权利要求58所述的方法,其中所述定性类别包含成分功能或成分分类中的至少一者。
60.根据权利要求58或权利要求59所述的方法,其中所述定性感觉属性包含气味、口味或触觉属性中的至少一者。
61.根据权利要求39至60中任一项所述的方法,其包含:
在执行步骤(e)之前,对多个样本化学组合物重复步骤(a)-(d)。
62.一种用于产生由具有所考虑化学性质的值的所考虑化学组合物组成的产品的方法,所述方法包含:
(a)接收包含成分的样本化学组合物的身份,所述成分中的每一者与所述样本化学组合物的化学信息性质中的某一化学信息性质的值相关联;
(b)接收所述样本化学组合物的训练化学性质的值,所述训练化学性质的所述值是基于所述训练化学性质的所述值的实验测量或所述训练化学性质的所述值的数学测量中的至少一者;
(c)使用所述样本化学组合物的所述化学信息性质的值和所述样本化学组合物的所述训练化学性质的所述值构建学习模型;
(d)将所述所考虑化学性质的所述值输入到所述学习模型中;
(e)经由所述学习模型且基于所述所考虑化学性质的所述值确定具有所述所考虑化学性质的所述值的所述所考虑化学组合物的化学信息性质的值;以及
(f)产生包含具有所述所考虑化学性质的所述值的所述所考虑化学组合物的所述产品;
其中由一个或多个处理器执行步骤(d)-(e)。
63.根据权利要求62所述的方法,其中所述数学测量是所述训练化学性质的热力学计算。
64.根据权利要求62至63中任一项所述的方法,其中所述训练化学性质基于所述训练化学性质的实验测量而不基于所述训练化学性质的所述数学测量来确定。
65.根据权利要求62至64中任一项所述的方法,其中所述训练化学性质是所选化学组合物的理化性质,所述理化性质与所选化学物质的物理性质或化学性质有关。
66.根据权利要求62至65中任一项所述的方法,其中所述训练化学性质和所述所考虑化学性质是相同的性质。
67.根据权利要求62至65中任一项所述的方法,其中所述训练化学性质和所述所考虑化学性质是不同的性质。
68.根据权利要求62至63中任一项所述的方法,其中所述学习模型是机器学习模型,所述所考虑化学组合物的所述所考虑化学性质经由所述机器学习模型的规则确定。
69.根据权利要求68所述的方法,其中所述机器学习模型包含监督学习方法。
70.根据权利要求69所述的方法,其中所述监督学习方法包含决策树规则、随机森林规则、支持向量机规则、朴素贝叶斯分类规则或逻辑回归规则中的至少一者。
71.根据权利要求62至70中任一项所述的方法,其中所述产品是个人护理产品。
72.根据权利要求71所述的方法,其中所述个人护理产品是牙膏。
73.根据权利要求62至72中任一项所述的方法,其中所述所考虑化学性质与pH、流变、磨蚀度、化学降解、相变、浊度、成分溶解度、挥发性损失或消费者感知中的至少一者有关。
74.根据权利要求62至73中任一项所述的方法,其中对于所述所选化学组合物和所述所考虑化学组合物中的每一者,所述化学信息性质与定性类别、定性感觉属性、分子式、酸解离常数、溶度积、结构拓扑、官能团计数、化学片段计数、疏水性、分配系数、空间参数、缔合常数、折射率或亲水亲油平衡(HLB)中的至少一者有关。
75.根据权利要求74所述的方法,其中所述定性类别包含成分功能或成分分类中的至少一者。
76.根据权利要求74或权利要求75所述的方法,其中所述定性感觉属性包含气味、口味或触觉属性中的至少一者。
77.根据权利要求62至76中任一项所述的方法,其进一步包含:
储存样本化学组合物。
78.根据权利要求62至77中任一项所述的方法,其包含:
在执行步骤(d)-(f)之前,对多个样本化学组合物重复步骤(a)-(c)。
79.一种用于确定具有成分的所考虑化学组合物的值的方法,所述方法包含:
(a)接收具有化学性质的定义值的样本化学组合物的身份,所述样本化学组合物由与所述所考虑化学组合物的成分不同的成分组成;
(b)生成包含所述样本化学组合物的所述身份和所述样本化学组合物的所述化学性质的所述定义值的训练集;
(c)基于所述训练集构建用于确定所述所考虑化学组合物的化学性质的值的模型;
(d)经由所述模型,基于所述所考虑化学组合物的身份和所述训练集确定所述所考虑化学组合物的所述化学性质的所述值;以及
(e)从所述模型接收所述所考虑化学组合物的所述化学性质的所述值;
其中由一个或多个处理器执行步骤(c)-(e)。
80.根据权利要求79所述的方法,其中对于所述样本化学组合物和所述所考虑化学组合物中的每一者,所述身份包含每种化学组合物的所述成分中的每一者的化学信息性质的值。
81.根据权利要求79或权利要求80所述的方法,其中对于所述样本化学组合物和所述所考虑化学组合物中的每一者,所述身份包含每种化学组合物的所述成分的身份。
82.根据权利要求79至81中任一项所述的方法,其中所述模型是机器学习模型,所述所考虑化学组合物的所述化学性质的所述值的所述值经由所述机器学习模型的规则来确定。
83.根据权利要求82所述的方法,其中所述机器学习模型包含监督学习方法。
84.根据权利要求83所述的方法,其中所述监督学习方法包含决策树规则、随机森林规则、支持向量机规则、朴素贝叶斯分类规则或逻辑回归规则中的至少一者。
85.根据权利要求79至84中任一项所述的方法,其中所述所考虑化学组合物的所述化学性质与所述所考虑化学组合物的理化性质有关,所述理化性质与所述所考虑化学组合物的物理性质或化学性质有关。
86.根据权利要求79至85中任一项所述的方法,其中所述样本化学组合物的定义的化学性质经由所述样本化学组合物的实验测量或所述样本化学组合物的热力学计算中的至少一者来识别。
87.根据权利要求79至86中任一项所述的方法,其中所述样本化学组合物的所述定义的化学性质经由所述样本化学组合物的实验测量来识别。
88.根据权利要求79至87中任一项所述的方法,其中所述样本化学组合物的所述定义的化学性质由经由所述样本化学组合物的实验测量识别的第一化学性质或经由所述样本化学组合物的热力学计算识别的第二化学性质中的至少一者组成。
89.根据权利要求88所述的方法,其中所述第一化学性质是所述样本化学组合物的可溶性氟含量。
90.根据权利要求79至89中任一项所述的方法,其进一步包含产生由所述所考虑化学组合物组成的个人护理产品。
91.根据权利要求90所述的方法,其中所述个人护理产品是牙膏。
92.根据权利要求79至91中任一项所述的方法,其包含:
在执行步骤(d)-(e)之前,对多个化学组合物重复步骤(a)-(c)。
93.一种方法,其包含:
(a)接收包含成分的样本化学组合物的身份,所述成分中的每一者与所述样本化学组合物的化学信息性质中的某一化学信息性质的值相关联;
(b)接收与所述样本化学组合物的性质的值相关联的拟合参数的值,所述样本化学组合物的所述性质受所述样本化学组合物的所述成分中的至少两者的相互作用影响;
(c)将与所述样本化学组合物的所述性质的所述值相关联的所述拟合参数值以及(1)所述样本化学组合物的所述身份或(2)所述样本化学组合物的所述成分的所述化学信息性质的所述值中的至少一者输入到模型中;以及
(d)经由所述模型,基于(1)所述所考虑化学组合物的身份或(2)所述所考虑化学组合物的成分的化学信息性质的值中的至少一者来确定所述所考虑化学组合物的拟合参数值;
其中由一个或多个处理器执行步骤(c)-(d)。
94.根据权利要求93所述的方法,其进一步包含:
基于(1)另一实例的身份、(2)所述所考虑化学组合物的所述拟合参数值和(3)拟合函数,确定所述另一实例的所述所考虑化学组合物的性质的值。
95.根据权利要求94所述的方法,其中所述另一实例是未来时间段。
96.根据权利要求94所述的方法,其中所述拟合函数包含指数函数、多项式函数、幂函数或三角函数中的至少一者。
97.根据权利要求93至96中任一项所述的方法,其中所述模型是机器学习模型,所述所考虑化学组合物的所述性质的所述值经由所述机器学习模型的规则来确定。
98.根据权利要求97所述的方法,其中所述机器学习模型包含监督学习方法。
99.根据权利要求98所述的方法,其中所述监督学习方法包含决策树规则、随机森林规则、支持向量机规则、朴素贝叶斯分类规则或逻辑回归规则中的至少一者。
100.根据权利要求93至99中任一项所述的方法,其中所述所考虑化学组合物的所述性质的所述值与所述所考虑化学组合物的理化性质有关,所述理化性质与所述所考虑化学组合物的物理性质或化学性质有关。
101.根据权利要求93至100中任一项所述的方法,其中所述所考虑化学组合物的所述性质的所述值与和所述样本化学组合物的所述性质的所述值相同的理化性质有关。
102.根据权利要求93至101中任一项所述的方法,其中所述确定所述所考虑化学组合物的所述性质的所述值是基于所述所考虑化学组合物的所述成分的所述化学信息性质的所述值,而不是基于所述所考虑化学组合物的所述身份。
103.根据权利要求93至102中任一项所述的方法,其中所述样本化学组合物的所述成分的身份和所述样本化学组合物的所述成分的所述化学信息性质的所述值存储在数据库中。
104.根据权利要求93至103中任一项所述的方法,其中所述样本化学组合物的所述性质的所述值经由所述样本化学组合物的实验测量或所述样本化学组合物的热力学计算中的至少一者来识别。
105.根据权利要求93至104中任一项所述的方法,其中所述样本化学组合物的所述性质的所述值经由所述样本化学组合物的实验测量来识别。
106.根据权利要求93至105中任一项所述的方法,其中所述样本化学组合物的所述性质的所述值由经由所述样本化学组合物的实验测量识别的第一值或经由热力学计算识别的第二值中的至少一者组成。
107.根据权利要求93至106中任一项所述的方法,其进一步包含产生由所述所考虑化学组合物组成的个人护理产品。
108.根据权利要求107所述的方法,其中所述个人护理产品是牙膏。
109.根据权利要求93至108中任一项所述的方法,其包含:
在执行步骤(d)之前,对多个样本化学组合物重复步骤(a)-(c)。
110.一种识别所考虑化学组合物的计算机实施的方法,所述方法包含:
(a)接收样本化学组合物的成分的化学信息性质的值;
(b)接收所述样本化学组合物的性质的值,所述性质受所述成分中的至少两者的相互作用影响;
(c)将所述样本化学组合物的所述成分的所述化学信息性质的所述值和所述样本化学组合物的所述性质的所述值输入到模型中;以及
(d)经由所述模型,基于(1)所述所考虑化学组合物的成分的化学信息性质的值或(2)所述所考虑化学组合物的性质的值中的至少一者来确定所述所考虑化学组合物的身份;
其中所述所考虑化学组合物的所述性质受所述所考虑化学组合物的所述成分中的至少两者的相互作用影响;并且
其中由一个或多个处理器执行步骤(c)-(d)。
111.根据权利要求110所述的方法,其中所述确定所述所考虑化学组合物的所述身份是基于所述所考虑化学组合物的所述成分的所述化学信息性质的所述值,而不是基于所述所考虑化学组合物的所述性质的所述值。
112.根据权利要求110或权利要求111所述的方法,其中对于所述样本化学组合物和所述所考虑化学组合物中的每一者,所述成分中的每一者具有相应化学信息性质。
113.根据权利要求110至112中任一项所述的方法,其进一步包含将所述样本化学组合物的身份输入到所述模型中。
114.根据权利要求110至113中任一项所述的方法,其中所述模型是与监督学习方法有关的机器学习模型。
115.根据权利要求110至114中任一项所述的方法,其中所述所考虑化学组合物的所述性质与所述样本化学组合物的所述性质相同。
116.根据权利要求110至115中任一项所述的方法,其中所述样本化学组合物的所述性质的所述值经由所述样本化学组合物的实验测量来确定。
117.根据权利要求110至116中任一项所述的方法,其中所述样本化学组合物的所述性质的所述值由经由所述样本化学组合物的实验测量确定的所述性质的第一值或经由热力学计算确定的所述性质的第二值中的至少一者组成。
118.根据权利要求110至117中任一项所述的方法,其进一步包含产生由所述所考虑化学组合物组成的个人护理产品。
119.根据权利要求118所述的方法,其中所述个人护理产品是牙膏。
120.根据权利要求110至119中任一项所述的方法,其包含:
在执行步骤(d)之前,对多个样本化学组合物重复步骤(a)-(c)。
121.一种计算机实施的方法,所述方法包含:
(a)接收第一组合物的组分的身份,所述组分中的每一者具有预定义特性中的某一预定义特性的值;
(b)接收所述第一组合物的性质的值,其中所述性质受所述第一组合物的所述组分中的至少两者的相互作用影响;
(c)使用所述第一组合物的所述组分的所述预定义特性的所述值和所述第一组合物的所述性质的所述值来训练学习模型;
(d)将第二组合物的第二组分的身份提供到所述学习模型,其中所述第二组分中的至少一者不同于所述第一组分中的至少一者;以及
(e)经由所述学习模型确定所述第二组合物的性质的值;
其中所述第二组合物的所述性质受所述第二组合物的所述组分中的至少两者的相互作用影响;并且
其中由一个或多个处理器执行步骤(c)-(e)。
122.根据权利要求121所述的方法,其中所述第一组合物和所述第二组合物是化学组合物。
123.根据权利要求121至122中任一项所述的方法,其中所述第一组合物的所述组分和所述第二组合物的所述组分是成分。
124.根据权利要求121至123中任一项所述的方法,其中所述第一组合物的所述性质和所述第二组合物的所述性质是相同的性质。
125.根据权利要求121至123中任一项所述的方法,其中所述第一组合物的所述性质和所述第二组合物的所述性质是不同的性质,所述第二组合物的所述性质能从所述第一组合物的所述性质导出。
126.根据权利要求125所述的方法,其中所述第一组合物的所述性质是pH,并且所述第二组合物的所述性质是可溶性锌。
127.根据权利要求121至126中任一项所述的方法,其中所述学习模型是机器学习模型,所述第二组合物的所述性质经由所述机器学习模型的规则来确定。
128.根据权利要求127所述的方法,其中所述机器学习模型包含监督学习方法。
129.根据权利要求128所述的方法,其中所述监督学习方法包含决策树、随机森林、支持向量机、朴素贝叶斯分类或逻辑回归规则中的至少一者。
130.根据权利要求121至129中任一项所述的方法,其中所述第二组合物的所述性质与所述第二组合物的理化性质有关。
131.根据权利要求121至130中任一项所述的方法,其中所述第一组合物的所述组分的身份和所述第二组合物的所述组分的身份存储在数据库中。
132.根据权利要求121至131中任一项所述的方法,其中所述第一组合物的所述性质的所述值经由所述第一组合物的实验测量或所述第一组合物的热力学计算中的至少一者来识别。
133.根据权利要求121至132中任一项所述的方法,其中所述第一组合物的所述性质的所述值经由所述第一组合物的实验测量来识别。
134.根据权利要求121至133中任一项所述的方法,其中所述第一组合物的所述性质的所述值由经由所述样本化学组合物的实验测量识别的第一值或经由热力学计算识别的第二值中的至少一者组成。
135.根据权利要求121至134中任一项所述的方法,其进一步包含产生由所述第二组合物组成的个人护理产品。
136.根据权利要求135所述的方法,其中所述个人护理产品是牙膏。
137.根据权利要求121至136中任一项所述的方法,其中所述第二组合物的所述第二组分中的每一者具有预定义特性,所述预定义特性具有值。
138.根据权利要求137所述的方法,其中具有值的所述预定义特性是化学信息性质。
139.根据权利要求121至138中任一项所述的方法,其包含:
在执行步骤(d)-(e)之前,对多个第一组合物重复步骤(a)-(c)。
140.一种确定所考虑化学组合物的性质的值的计算机实施的方法,所述方法包含:
(a)从与个人护理产品相关联的化学组合物接收所述所考虑化学组合物的身份,其中所述所考虑化学组合物包含成分;
(b)接收化学信息性质的值,每个值与所述所考虑化学组合物的所述成分中的相应一者相关联;
(c)经由所述模型,基于(1)所述所考虑化学组合物的所述身份或(2)与所述所考虑化学组合物的所述成分中的所述相应一者相关联的所述化学信息性质的所述值中的至少一者来确定所述所考虑化学组合物的所述性质的所述值;
其中所述模型根据(1)化学组合物的身份或(2)所述化学组合物的成分的化学信息性质的值中的至少一者以及所述化学组合物的性质的值来训练;并且
其中所述所考虑化学组合物的所述性质的所述值受所述所考虑化学组合物的所述成分中的至少两者的相互作用影响;并且
其中所述确定步骤由一个或多个处理器执行。
141.根据权利要求140所述的方法,其中所述所考虑化学组合物的所述身份包含所述所考虑化学组合物的所述成分的身份。
142.根据权利要求140至141中任一项所述的方法,其中所述模型是机器学习模型,所述所考虑化学组合物的所述性质的所述值经由所述机器学习模型的规则来确定。
143.根据权利要求142所述的方法,其中所述机器学习模型包含监督学习方法。
144.根据权利要求143所述的方法,其中所述监督学习方法包含决策树规则、随机森林规则、支持向量机规则、朴素贝叶斯分类规则或逻辑回归规则中的至少一者。
145.根据权利要求140至144中任一项所述的方法,其中所述所考虑化学组合物的所述性质的所述值与所述所考虑化学组合物的理化性质有关,所述理化性质与所述所考虑化学组合物的物理性质或化学性质有关。
146.根据权利要求140至145中任一项所述的方法,其中所述确定所述所考虑化学组合物的所述性质的所述值是基于与所述所考虑化学组合物的所述成分中的所述相应一者相关联的所述化学信息性质的所述值,而不是基于所述所考虑化学组合物的所述身份。
147.根据权利要求140至146中任一项所述的方法,其进一步包含产生由所述所考虑化学组合物组成的个人护理产品。
148.根据权利要求147所述的方法,其中所述个人护理产品是牙膏。
149.根据权利要求140至148中任一项所述的方法,其中所述所考虑化学组合物的所述性质的所述值与所述所考虑化学组合物的pH、流变、磨蚀度、化学降解、相变、浊度、成分溶解度或挥发性损失中的至少一者有关。
150.根据权利要求140至149中任一项所述的方法,其中所述化学信息性质与定性类别、定性感觉属性、分子式、酸解离常数、溶度积、结构拓扑、官能团计数、化学片段计数、疏水性、分配系数、空间参数、缔合常数或亲水亲油平衡(HLB)中的至少一者有关。
151.根据权利要求150所述的方法,其中所述定性类别包含成分功能或成分分类中的至少一者。
152.根据权利要求150或权利要求151所述的方法,其中所述定性感觉属性包含气味、口味或触觉属性中的至少一者。
153.根据权利要求140至152中任一项所述的方法,其进一步包含:
从数据库中检索所述所考虑化学组合物的所述身份。
154.根据权利要求140至153中任一项所述的方法,其包含在执行所述识别和确定步骤之前对多个样本化学组合物重复所述接收步骤。
155.一种创建模型以确定所考虑化学组合物的性质的值的计算机实施的方法,所述方法包含:
(a)接收包含成分的样本化学组合物的身份,所述成分中的每一者与所述样本化学组合物的化学信息性质中的某一化学信息性质的值相关联;
(b)接收样本组合物的性质的值,所述性质受所述样本化学组合物的所述成分中的至少两者的相互作用影响;以及
(c)通过处理所述样本化学组合物的所述性质的所述值以及(1)所述样本组合物的身份或(2)所述样本化学组合物的所述成分的所述化学信息性质的所述值中的至少一者,训练模型以确定所述所考虑化学组合物的所述性质的所述值;
其中所述模型被配置成基于(1)所述所考虑化学组合物的身份或(2)所述所考虑化学组合物的成分的化学信息性质的值中的至少一者来确定所述所考虑化学组合物的所述性质的所述值;并且
其中所述训练步骤由一个或多个处理器执行。
156.根据权利要求155所述的方法,其中所述样本化学组合物的所述身份包含所述样本化学组合物的所述成分的身份。
157.根据权利要求155至156中任一项所述的方法,其中所述模型是机器学习模型。
158.根据权利要求155至157中任一项所述的方法,其中所述机器学习模型包含监督学习方法。
159.根据权利要求155至158中任一项所述的方法,其中所述监督学习方法包含决策树规则、随机森林规则、支持向量机规则、朴素贝叶斯分类规则或逻辑回归规则中的至少一者。
160.根据权利要求155至159中任一项所述的方法,其中所述样本化学组合物的所述性质的所述值与所述样本化学组合物的理化性质有关,所述所考虑化学组合物的所述理化性质与所述所考虑化学组合物的物理性质或化学性质有关。
161.根据权利要求155至160中任一项所述的方法,其进一步包含:
经由所述模型,基于(1)所述所考虑化学组合物的身份或(2)所述所考虑化学组合物的成分的化学信息性质的值中的至少一者来确定所述所考虑化学组合物的所述性质的所述值。
162.根据权利要求155至161中任一项所述的方法,其中所述样本化学组合物的所述成分的身份和所述样本化学组合物的所述成分的所述化学信息性质的所述值存储在数据库中。
163.根据权利要求155至162中任一项所述的方法,其中所述样本化学组合物的所述性质的所述值经由所述样本化学组合物的实验测量或所述样本化学组合物的热力学计算中的至少一者来识别。
164.根据权利要求155至163中任一项所述的方法,其中所述样本化学组合物的所述性质的所述值经由所述样本化学组合物的实验测量来识别。
165.根据权利要求155至164中任一项所述的方法,其中所述样本化学组合物的所述性质的所述值由经由所述样本化学组合物的实验测量识别的第一值或经由热力学计算识别的第二值中的至少一者组成。
166.根据权利要求155至165中任一项所述的方法,其中所述样本化学组合物的所述性质的所述值与pH、流变、磨蚀度、化学降解、相变、浊度、成分溶解度或挥发性损失中的至少一者有关。
167.根据权利要求155至166中任一项所述的方法,其中所述化学信息性质与定性类别、定性感觉属性、分子式、酸解离常数、溶度积、结构拓扑、官能团计数、化学片段计数、疏水性、分配系数、空间参数、缔合常数、折射率或亲水亲油平衡(HLB)中的至少一者有关。
168.根据权利要求167所述的方法,其中所述定性类别包含成分功能或成分分类中的至少一者。
169.根据权利要求167或权利要求168所述的方法,其中所述定性感觉属性包含气味、口味或触觉属性中的至少一者。
170.一种被配置成确定所考虑化学组合物的性质的值的系统,所述系统包含:
一个或多个用户界面,其被配置成:
接收包含成分的样本化学组合物的身份,所述成分中的每一者与所述样本化学组合物的化学信息性质中的某一化学信息性质的值相关联;
接收所述样本化学组合物的性质的值,所述样本化学组合物的所述性质受所述样本化学组合物的所述成分中的至少两者的相互作用影响;以及
接收(1)所述所考虑化学组合物的身份或(2)所述所考虑化学组合物的成分的化学信息性质的值中的至少一者;以及
处理器,其可操作地耦合到所述用户界面,所述处理器被配置成:
从所述用户界面接收所述样本化学组合物的所述性质的所述值以及(1)所述样本化学组合物的所述身份或(2)所述样本化学组合物的所述成分的所述化学信息性质的所述值中的至少一者并将它们输入到模型中;以及
经由所述模型,基于(1)所述所考虑化学组合物的所述身份或(2)所述所考虑化学组合物的成分的化学信息性质的所述值中的至少一者来确定所述所考虑化学组合物的所述性质的所述值;
其中所述用户界面还被配置成显示所述所考虑化学组合物的所述性质的所述值;并且
其中所述所考虑化学组合物的所述性质受所述所考虑化学组合物的所述成分中的至少两者的相互作用影响。
171.一种确定所考虑化学组合物的性质的值的计算机实施的方法,
所述方法包含:
(a)接收包含成分的样本化学组合物的身份,所述成分中的每一者与所述样本化学组合物的化学信息性质中的某一化学信息性质的值相关联;
(b)接收所述样本化学组合物的性质的值;
(c)接收与所述样本化学组合物的所述性质的所述值有关的特征;
(d)将所述样本化学组合物的所述性质的所述值、与所述样本化学组合物的所述性质的所述值有关的所述特征以及所述样本化学组合物的所述身份输入到机器学习模型中;
(e)经由所述机器学习模型,基于与所述所考虑化学组合物的所述性质的所述值有关的特征以及所述所考虑化学组合物的身份确定所述所考虑化学组合物的所述性质的所述值;以及
(f)产生由所述所考虑化学组合物组成的产品;
其中对于所述样本化学组合物和所述所考虑化学组合物中的每一者,所述性质受所述化学组合物的所述成分中的至少两者的相互作用影响;并且
其中由一个或多个处理器执行步骤(d)-(e)。
172.根据权利要求171所述的方法,其中对于所述样本化学组合物和所述所考虑化学组合物中的每一者,所述身份包含每种化学组合物的所述成分的身份。
173.根据权利要求171至172中任一项所述的方法,其中对于所述样本化学组合物和所述所考虑化学组合物中的每一者,所述性质的所述值与pH、流变、磨蚀度、化学降解、相变、浊度、成分溶解度或挥发性损失中的至少一者有关。
174.根据权利要求171至173中任一项所述的方法,其中对于所述样本化学组合物和所述所考虑化学组合物中的每一者,所述性质的所述值与临床/消费者试验或消费者感知中的至少一者有关。
175.根据权利要求171至174中任一项所述的方法,其中对于所述样本化学组合物和所述所考虑化学组合物中的每一者,与所述化学组合物的所述性质有关的所述特征的所述值与用户相关信息、时间段或环境信息中的至少一者有关。
176.根据权利要求175所述的方法,其中所述用户相关信息包含所述产品的用户的人口统计信息。
177.根据权利要求176所述的方法,其中所述产品的所述用户的所述人口统计信息包含与所述产品的所述用户、所述产品的所述用户的血统或所述产品的所述用户的年龄有关的地理信息。
178.根据权利要求171至177中任一项所述的方法,其中所述产品是个人护理产品、食品或药物中的至少一种。
179.根据权利要求171至178中任一项所述的方法,其中所述所考虑化学组合物的所述性质与所述样本化学组合物的所述性质相同。
180.根据权利要求171至179中任一项所述的方法,其中对于所述样本化学组合物和所述所考虑化学组合物中的每一者,所述化学信息性质与定性类别、定性感觉属性、分子式、酸解离常数、溶度积、结构拓扑、官能团计数、化学片段计数、疏水性、分配系数、空间参数、缔合常数、折射率或亲水亲油平衡(HLB)中的至少一者有关。
181.根据权利要求180所述的方法,其中所述定性类别包含成分功能或成分分类中的至少一者。
182.一种确定所考虑化学组合物的性质的值的计算机实施的方法,
所述方法包含:
(a)接收包含成分的样本化学组合物的身份,所述成分中的每一者与所述样本化学组合物的化学信息性质中的某一化学信息性质的值相关联;
(b)接收所述样本化学组合物的性质的值;
(c)接收与所述样本化学组合物的所述性质的所述值有关的特征;
(d)将所述样本化学组合物的所述性质的所述值、与所述样本化学组合物的所述性质的所述值有关的所述特征以及(1)所述样本化学组合物的所述身份或(2)所述样本化学组合物的所述成分的所述化学信息性质的所述值中的至少一者输入到模型中;以及
(e)经由所述模型,基于与所述所考虑化学组合物的所述性质的所述值有关的特征以及(1)所述所考虑化学组合物的身份或(2)所述所考虑化学组合物的成分的化学信息性质的值中的至少一者来确定所述所考虑化学组合物的所述性质的所述值;
其中由一个或多个处理器执行步骤(d)-(e)。
183.根据权利要求182所述的方法,其中所述模型是机器学习模型,所述所考虑化学组合物的所述性质的所述值经由所述机器学习模型的规则来确定。
184.根据权利要求182至183中任一项所述的方法,其中对于所述样本化学组合物和所述所考虑化学组合物中的每一者,所述性质的所述值与pH、流变、磨蚀度、化学降解、相变、浊度、成分溶解度或挥发性损失中的至少一者有关。
185.根据权利要求182至184中任一项所述的方法,其中对于所述样本化学组合物和所述所考虑化学组合物中的每一者,所述性质的所述值与临床/消费者试验或消费者感知中的至少一者有关。
186.根据权利要求182至185中任一项所述的方法,其中对于所述样本化学组合物和所述所考虑化学组合物中的每一者,与所述化学组合物的所述性质有关的所述特征的所述值与用户相关信息、时间段或环境信息中的至少一者有关。
187.根据权利要求182至186中任一项所述的方法,其进一步包含产生由所述所考虑化学组合物组成的产品。
188.一种确定所考虑化学组合物的性质的值的计算机实施的方法,所述方法包含:
(a)接收包含成分的样本化学组合物的身份,所述成分中的每一者与所述样本化学组合物的化学信息性质中的某一化学信息性质的值相关联;
(b)接收所述样本化学组合物的样本理化性质的值,所述样本化学组合物的所述样本理化性质受所述样本化学组合物的所述成分中的至少两者的相互作用影响;
(c)接收与所述样本化学组合物的所述样本理化性质的所述值有关的特征;
(d)将所述样本化学组合物的所述样本理化性质的所述值、与所述样本化学组合物的所述样本理化性质的所述值有关的所述特征以及(1)所述样本化学组合物的所述身份或(2)所述样本化学组合物的所述成分的所述化学信息性质的所述值中的至少一者输入到模型中;以及
(e)经由所述模型,基于与所述所考虑化学组合物的所考虑理化性质的所述值有关的特征以及(1)所述所考虑化学组合物的身份或(2)所述所考虑化学组合物的成分的化学信息性质的值中的至少一者来确定所述所考虑化学组合物的所述所考虑理化性质的所述值;
其中所述所考虑理化性质与所述样本理化性质相同;并且
其中由一个或多个处理器执行步骤(d)-(e)。
189.根据权利要求188所述的方法,其中对于所述样本化学组合物和所述所考虑化学组合物中的每一者,所述性质的所述值与临床/消费者试验有关。
190.根据权利要求188至189中任一项所述的方法,其中对于所述样本化学组合物和所述所考虑化学组合物中的每一者,与所述化学组合物的所述性质有关的所述特征的所述值与用户相关信息、时间段或环境信息中的至少一者有关。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US16/452,214 | 2019-06-25 | ||
US16/452,214 US10515715B1 (en) | 2019-06-25 | 2019-06-25 | Systems and methods for evaluating compositions |
PCT/US2020/070111 WO2020264547A1 (en) | 2019-06-25 | 2020-06-03 | Systems and methods for producing a product |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114008714A true CN114008714A (zh) | 2022-02-01 |
Family
ID=68979698
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202080045484.5A Pending CN114008714A (zh) | 2019-06-25 | 2020-06-03 | 用于产生产品的系统和方法 |
Country Status (8)
Country | Link |
---|---|
US (8) | US10515715B1 (zh) |
EP (1) | EP3973535A1 (zh) |
CN (1) | CN114008714A (zh) |
AU (1) | AU2020301331B2 (zh) |
BR (1) | BR112021025468A2 (zh) |
CA (1) | CA3145324A1 (zh) |
MX (1) | MX2021015986A (zh) |
WO (1) | WO2020264547A1 (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116109222A (zh) * | 2023-04-10 | 2023-05-12 | 成都秦川物联网科技股份有限公司 | 产品物料配套调控的工业物联网系统、控制方法及介质 |
Families Citing this family (22)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10847254B2 (en) * | 2017-12-05 | 2020-11-24 | Toyota Research Institute, Inc. | Artificial intelligence based stable materials discovery process |
US10515715B1 (en) | 2019-06-25 | 2019-12-24 | Colgate-Palmolive Company | Systems and methods for evaluating compositions |
WO2021026083A1 (en) | 2019-08-08 | 2021-02-11 | NotCo Delaware, LLC | Method of classifying flavors |
JP7267883B2 (ja) * | 2019-09-18 | 2023-05-02 | 株式会社日立製作所 | 材料特性予測システムおよび材料特性予測方法 |
JP7342629B2 (ja) * | 2019-11-06 | 2023-09-12 | 株式会社島津製作所 | 試料成分推定方法、試料成分推定装置、試料成分推定プログラム、学習方法および学習プログラム |
US11004037B1 (en) * | 2019-12-02 | 2021-05-11 | Citrine Informatics, Inc. | Product design and materials development integration using a machine learning generated capability map |
US11664094B2 (en) * | 2019-12-26 | 2023-05-30 | Industrial Technology Research Institute | Drug-screening system and drug-screening method |
CN115668237A (zh) * | 2020-05-22 | 2023-01-31 | 巴斯夫涂料有限公司 | 化学混合物的特性预测 |
AU2020455798A1 (en) * | 2020-07-01 | 2023-02-16 | Chevron U.S.A. Inc. | Spectroscopic analysis of rocks |
US10984145B1 (en) * | 2020-07-21 | 2021-04-20 | Citrine Informatics, Inc. | Using machine learning to explore formulations recipes with new ingredients |
US10962473B1 (en) | 2020-11-05 | 2021-03-30 | NotCo Delaware, LLC | Protein secondary structure prediction |
CN116868218A (zh) * | 2021-02-18 | 2023-10-10 | 高露洁-棕榄公司 | 用于生成产品的系统和方法 |
US11514350B1 (en) | 2021-05-04 | 2022-11-29 | NotCo Delaware, LLC | Machine learning driven experimental design for food technology |
US11348664B1 (en) | 2021-06-17 | 2022-05-31 | NotCo Delaware, LLC | Machine learning driven chemical compound replacement technology |
US11880651B2 (en) * | 2021-06-23 | 2024-01-23 | International Business Machines Corporation | Artificial intelligence based classification for taste and smell from natural language descriptions |
WO2023066860A1 (en) * | 2021-10-18 | 2023-04-27 | Firmenich Sa | Chemical compound database construction method, composition prediction and assembling methods and obtained fragrances having a moisturizing effect |
US11373107B1 (en) * | 2021-11-04 | 2022-06-28 | NotCo Delaware, LLC | Systems and methods to suggest source ingredients using artificial intelligence |
US11404144B1 (en) | 2021-11-04 | 2022-08-02 | NotCo Delaware, LLC | Systems and methods to suggest chemical compounds using artificial intelligence |
US11783103B2 (en) * | 2022-02-02 | 2023-10-10 | Turing Labs, Inc. | Systems and methods for an accelerating product formulation creation via implementing a machine learning-derived graphical formulation network model |
WO2023165898A1 (en) * | 2022-03-03 | 2023-09-07 | Cytiva Sweden Ab | Method and device for synthesizing molecules |
US20230368224A1 (en) * | 2022-05-16 | 2023-11-16 | Firmenich Sa | Method and system of determination of an emotion or sensation perception in relation to an exposure to a flavor or fragrance ingredients |
CN116589652B (zh) * | 2023-04-28 | 2023-10-27 | 广州迅合医疗科技有限公司 | 一种基于聚氨酯的软组织生物粘合剂制备方法及系统 |
Family Cites Families (149)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US1005571A (en) | 1910-02-08 | 1911-10-10 | John Parker | Evaporator. |
US1009398A (en) | 1910-06-07 | 1911-11-21 | Ralph E Flenniken | Team-protector. |
US3005626A (en) | 1958-01-20 | 1961-10-24 | David C Loomans | Steam injection heater employing a plurality of heating units |
AU7311994A (en) | 1993-05-21 | 1994-12-20 | Arris Pharmaceutical Corporation | A machine-learning approach to modeling biological activity for molecular design and to modeling other characteristics |
US5434796A (en) | 1993-06-30 | 1995-07-18 | Daylight Chemical Information Systems, Inc. | Method and apparatus for designing molecules with desired properties by evolving successive populations |
US5463564A (en) * | 1994-09-16 | 1995-10-31 | 3-Dimensional Pharmaceuticals, Inc. | System and method of automatically generating chemical compounds with desired properties |
US5854992A (en) | 1996-09-26 | 1998-12-29 | President And Fellows Of Harvard College | System and method for structure-based drug design that includes accurate prediction of binding free energy |
US7921068B2 (en) | 1998-05-01 | 2011-04-05 | Health Discovery Corporation | Data mining platform for knowledge discovery from heterogeneous data types and/or heterogeneous data sources |
US7444308B2 (en) | 2001-06-15 | 2008-10-28 | Health Discovery Corporation | Data mining platform for bioinformatics and other knowledge discovery |
US20020077754A1 (en) | 1998-10-28 | 2002-06-20 | Malcolm J. Mcgregor | Pharmacophore fingerprinting in primary library design |
WO2000054166A1 (en) | 1999-03-12 | 2000-09-14 | Mydlowec William J | Method and apparatus for automated design of chemical synthesis routes |
US6647341B1 (en) | 1999-04-09 | 2003-11-11 | Whitehead Institute For Biomedical Research | Methods for classifying samples and ascertaining previously unknown classes |
US20020187514A1 (en) | 1999-04-26 | 2002-12-12 | Hao Chen | Identification of molecular targets useful in treating substance abuse and addiction |
AU2352601A (en) | 2000-01-05 | 2001-07-16 | Structural Bioinformatics Advanced Technologies A/S | Computer predictions of molecules |
US6442536B1 (en) * | 2000-01-18 | 2002-08-27 | Praxair Technology, Inc. | Method for predicting flammability limits of complex mixtures |
AU2001286601A1 (en) | 2000-08-22 | 2002-03-04 | Dimitris K. Agrafiotis | Method, system, and computer program product for determining properties of combinatorial library products from features of library building blocks |
US20040115726A1 (en) | 2001-09-14 | 2004-06-17 | Renpei Nagashima | Method, system, apparatus and device for discovering and preparing chemical compounds for medical and other uses. |
US20020090631A1 (en) | 2000-11-14 | 2002-07-11 | Gough David A. | Method for predicting protein binding from primary structure data |
US7047137B1 (en) | 2000-11-28 | 2006-05-16 | Hewlett-Packard Development Company, L.P. | Computer method and apparatus for uniform representation of genome sequences |
US20030162219A1 (en) | 2000-12-29 | 2003-08-28 | Sem Daniel S. | Methods for predicting functional and structural properties of polypeptides using sequence models |
AU2002304006A1 (en) | 2001-06-15 | 2003-01-02 | Biowulf Technologies, Llc | Data mining platform for bioinformatics and other knowledge discovery |
WO2003019140A2 (en) | 2001-08-23 | 2003-03-06 | Deltagen Research Laboratories, L.L.C. | Method for molecular subshape similarity matching |
US6807491B2 (en) | 2001-08-30 | 2004-10-19 | Hewlett-Packard Development Company, L.P. | Method and apparatus for combining gene predictions using bayesian networks |
EP1436611A4 (en) | 2001-09-26 | 2007-04-11 | Gni Kk | BIOLOGICAL IDENTIFICATION USING GENREGULATION NETWORKS GENERATED FROM MULTIPLE INTERRUPTED EXTRESSION LIBRARIES |
US7801685B2 (en) | 2004-08-19 | 2010-09-21 | Drug Design Methodologies, Llc | System and method for improved computer drug design |
DK1493027T3 (en) | 2002-03-01 | 2014-11-17 | Codexis Mayflower Holdings Llc | Methods, systems and software for identifying functional biomolecules |
US7996156B2 (en) | 2002-03-07 | 2011-08-09 | The United States Of America As Represented By The Secretary, Department Of Health And Human Services | Methods for predicting properties of molecules |
ATE356385T1 (de) | 2002-06-10 | 2007-03-15 | Algonomics N V | Verfahren zur vorhersage der bindungsaffinität der mhc-peptid-komplexe |
EP1550074A4 (en) | 2002-08-22 | 2009-10-21 | Agency Science Tech & Res | COLLECTIVE PROBABILITY PREDICTION FROM EMERGING MODELS |
EP1578935A2 (en) | 2002-10-10 | 2005-09-28 | Diversa Corporation | Proteases, nucleic acids encoding them and methods for making and using them |
AU2003272234A1 (en) | 2002-10-24 | 2004-05-13 | Warner-Lambert Company, Llc | Integrated spectral data processing, data mining, and modeling system for use in diverse screening and biomarker discovery applications |
US7136759B2 (en) | 2002-12-18 | 2006-11-14 | Battelle Memorial Institute | Method for enhanced accuracy in predicting peptides using liquid separations or chromatography |
JP2004259119A (ja) | 2003-02-27 | 2004-09-16 | Internatl Business Mach Corp <Ibm> | 塩基配列のスクリーニングを行うためのコンピュータ・システム、そのための方法、該方法をコンピュータに対して実行させるためのプログラムおよび該プログラムを記憶したコンピュータ可読な記録媒体 |
US8005620B2 (en) | 2003-08-01 | 2011-08-23 | Dna Twopointo Inc. | Systems and methods for biopolymer engineering |
WO2005094363A2 (en) | 2004-03-30 | 2005-10-13 | New York University | System, method and software arrangement for bi-allele haplotype phasing |
EP1589463A1 (en) | 2004-04-21 | 2005-10-26 | Avantium International B.V. | Molecular entity design method |
US20050278124A1 (en) | 2004-06-14 | 2005-12-15 | Duffy Nigel P | Methods for molecular property modeling using virtual data |
US7991557B2 (en) | 2004-06-19 | 2011-08-02 | Genenews Corporation | Computer system and methods for constructing biological classifiers and uses thereof |
US7194359B2 (en) * | 2004-06-29 | 2007-03-20 | Pharmix Corporation | Estimating the accuracy of molecular property models and predictions |
JP4987706B2 (ja) | 2004-06-30 | 2012-07-25 | ディ.イー.ショー リサーチ,エルエルシー | 多重物体系シミュレーション |
US8032310B2 (en) | 2004-07-02 | 2011-10-04 | The United States Of America As Represented By The Secretary Of The Navy | Computer-implemented method, computer readable storage medium, and apparatus for identification of a biological sequence |
US7542854B2 (en) | 2004-07-22 | 2009-06-02 | International Business Machines Corporation | Method for discovering gene regulatory models and genetic networks using relational fuzzy models |
US20060031027A1 (en) | 2004-08-03 | 2006-02-09 | Alman David H | Method and apparatus for predicting properties of a chemical mixture |
EP1817693A1 (en) | 2004-09-29 | 2007-08-15 | Panscient Pty Ltd. | Machine learning system |
US7856321B2 (en) | 2004-12-16 | 2010-12-21 | Numerate, Inc. | Modeling biological effects of molecules using molecular property models |
US20070118295A1 (en) | 2005-03-02 | 2007-05-24 | Al-Murrani Samer Waleed Khedhe | Methods and Systems for Designing Animal Food Compositions |
WO2006094154A2 (en) | 2005-03-02 | 2006-09-08 | Hill's Pet Nutrition, Inc. | Methods and systems for designing animal food compositions |
US20060253262A1 (en) | 2005-04-27 | 2006-11-09 | Emiliem | Novel Methods and Devices for Evaluating Poisons |
US7734423B2 (en) | 2005-09-23 | 2010-06-08 | Crowley Davis Research, Inc. | Method, system, and apparatus for virtual modeling of biological tissue with adaptive emergent functionality |
US20070192033A1 (en) | 2006-02-16 | 2007-08-16 | Microsoft Corporation | Molecular interaction predictors |
EP2031528A4 (en) | 2006-05-26 | 2009-06-17 | Univ Kyoto | ESTIMATING A PROTEIN-COMPOUND INTERACTION AND RATIONAL DESIGN OF A LIBRARY OF COMPOUNDS BASED ON CHEMICAL GENOMIC INFORMATION |
US8579811B2 (en) | 2006-09-19 | 2013-11-12 | 3M Innovative Properties Company | Medical diagnosis derived from patient drug history data |
KR100853786B1 (ko) | 2006-07-12 | 2008-08-22 | 한국기초과학지원연구원 | 단백질 동정을 위한 단백질 데이터베이스의 재구성방법 및이를 이용한 단백질 동정 방법 |
EP1895436A1 (en) | 2006-08-31 | 2008-03-05 | Silicos NV | Method for evolving molecules and computer program for implementing the same |
CA2665121C (en) | 2006-09-16 | 2013-11-26 | Terence Gilhuly | Modeling and control for highly variable and nonlinear processes |
US8185321B2 (en) | 2006-10-31 | 2012-05-22 | Keio University | Method for predicting interaction between protein and chemical |
US20100121791A1 (en) | 2006-11-03 | 2010-05-13 | Insilicotech Co., Ltd. | System, method and program for pharmacokinetic parameter prediction of peptide sequence by mathematical model |
US9697556B2 (en) | 2007-09-06 | 2017-07-04 | Mohammad A. Mazed | System and method of machine learning based user applications |
DE102007011912A1 (de) | 2007-03-13 | 2008-09-18 | Sanofi-Aventis | Verfahren für das Erzeugen von Peptidbibliotheken und deren Verwendung |
WO2008116495A1 (en) | 2007-03-26 | 2008-10-02 | Molcode Ltd | Method and apparatus for the design of chemical compounds with predetermined properties |
US20090024375A1 (en) | 2007-05-07 | 2009-01-22 | University Of Guelph | Method, system and computer program product for levinthal process induction from known structure using machine learning |
US20090024547A1 (en) | 2007-07-17 | 2009-01-22 | Ut-Battelle, Llc | Multi-intelligent system for toxicogenomic applications (mista) |
JP5083320B2 (ja) * | 2007-08-22 | 2012-11-28 | 富士通株式会社 | 化合物の物性予測装置、物性予測方法およびその方法を実施するためのプログラム |
US20090094006A1 (en) | 2007-10-03 | 2009-04-09 | William David Laidig | Modeling systems for consumer goods |
DE102007050434A1 (de) * | 2007-10-22 | 2009-04-23 | Henkel Ag & Co. Kgaa | Verfahren und Anordnung zum computergestützten Ermitteln mindestens einer Eigenschaft einer Haarcoloration basierend auf einer Formulierung aus chemisch reaktiven und/oder unreaktiven Rohstoffen, Verfahren und Anordnung zum computergestützten Ermitteln einer Formulierung einer Haarcoloration basierend auf chemisch reaktiven und/oder unreaktiven Rohstoffen, und Verfahren und Anordnung zum computergestützten Trainieren eines vorbestimmten Modells zum computergestützten Ermitteln mindestens einer Eigenschaft einer Haarcoloration basierend auf einer Formulierung aus chemisch reaktiven und/oder unreaktiven Rohstoffen |
US7747547B1 (en) | 2007-10-31 | 2010-06-29 | Pathwork Diagnostics, Inc. | Systems and methods for diagnosing a biological specimen using probabilities |
CN101903895B (zh) | 2007-12-18 | 2014-03-26 | 富士通株式会社 | 化合物毒性预测模型的生成方法以及化合物毒性预测模型生成装置 |
WO2010017559A1 (en) | 2008-08-08 | 2010-02-11 | University Of Georgia Research Foundation, Inc. | Methods and systems for predicting proteins that can be secreted into bodily fluids |
WO2010030794A1 (en) * | 2008-09-10 | 2010-03-18 | Digital Infuzion, Inc. | Machine learning methods and systems for identifying patterns in data |
WO2010040233A1 (en) | 2008-10-10 | 2010-04-15 | Mount Sinai Hospital | Methods for classifying samples based on network modularity |
NZ572036A (en) | 2008-10-15 | 2010-03-26 | Nikola Kirilov Kasabov | Data analysis and predictive systems and related methodologies |
US9552462B2 (en) | 2008-12-23 | 2017-01-24 | Exxonmobil Upstream Research Company | Method for predicting composition of petroleum |
US8458103B2 (en) | 2009-01-07 | 2013-06-04 | 3M Innovative Properties Company | System and method for concurrently conducting cause-and-effect experiments on content effectiveness and adjusting content distribution to optimize business objectives |
WO2010082074A1 (en) | 2009-01-14 | 2010-07-22 | C & K Capital S.A. | System and method for computing the nutritional value of a food |
CN101477597A (zh) | 2009-01-15 | 2009-07-08 | 浙江大学 | 基于化合物特征的天然产物活性成分计算识别方法 |
RU2607999C2 (ru) | 2009-06-30 | 2017-01-11 | ДАУ АГРОСАЙЕНСИЗ ЭлЭлСи | Применение способов машинного обучения для извлечения правил ассоциации в наборах данных растений и животных, содержащих в себе молекулярные генетические маркеры, сопровождаемое классификацией или прогнозированием с использованием признаков, созданных по этим правилам ассоциации |
CA2774182C (en) | 2009-11-12 | 2019-08-06 | Exxonmobil Upstream Research Company | Method and system for rapid model evaluation using multilevel surrogates |
WO2011061568A1 (en) * | 2009-11-22 | 2011-05-26 | Azure Vault Ltd. | Automatic chemical assay classification |
US8862520B2 (en) | 2009-12-14 | 2014-10-14 | Massachusetts Institute Of Technology | Methods, systems and media utilizing ranking techniques in machine learning |
US20170039314A1 (en) | 2010-03-23 | 2017-02-09 | Iogenetics, Llc | Bioinformatic processes for determination of peptide binding |
JP5970449B2 (ja) | 2010-04-07 | 2016-08-17 | ノヴァディスカバリー | 処置成果を予測するためのコンピュータベースシステム |
FR2959332B1 (fr) | 2010-04-23 | 2015-08-21 | Inst Francais Du Petrole | Procede pour determiner une propriete physique ou chimique d'un compose moleculaire de structure moleculaire connue |
WO2011156584A1 (en) | 2010-06-09 | 2011-12-15 | The Procter & Gamble Company | Methods of preparing personal care compositions |
CA2807949C (en) | 2010-08-13 | 2022-10-25 | Intellimedicine, Inc. | System and methods for the production of personalized drug products |
US9367812B2 (en) | 2010-08-25 | 2016-06-14 | Optibrium Ltd. | Compound selection in drug discovery |
WO2012028962A2 (en) | 2010-09-01 | 2012-03-08 | Bioquanta Sa | Pharmacophore toxicity screening |
US9218460B2 (en) | 2011-05-09 | 2015-12-22 | The Regents Of The University Of California | Defining and mining a joint pharmacophoric space through geometric features |
US20130089838A1 (en) | 2011-10-06 | 2013-04-11 | Lisa Jeanne Adkins | Food safety and risk analyzer |
US20130144882A1 (en) | 2011-12-03 | 2013-06-06 | Medeolinx, LLC | Multidimensional integrative expression profiling for sample classification |
US20130303387A1 (en) | 2012-05-09 | 2013-11-14 | Sloan-Kettering Institute For Cancer Research | Methods and apparatus for predicting protein structure |
EP2864915B8 (en) | 2012-06-21 | 2022-06-15 | Philip Morris Products S.A. | Systems and methods relating to network-based biomarker signatures |
US10339464B2 (en) | 2012-06-21 | 2019-07-02 | Philip Morris Products S.A. | Systems and methods for generating biomarker signatures with integrated bias correction and class prediction |
US20140039913A1 (en) | 2012-07-31 | 2014-02-06 | Tuomas W. Sandholm | Medical treatment planning via sequential games |
WO2014034577A1 (ja) * | 2012-08-27 | 2014-03-06 | 株式会社京都コンステラ・テクノロジーズ | 化合物設計装置、化合物設計方法、及びコンピュータプログラム |
WO2014113736A1 (en) | 2013-01-17 | 2014-07-24 | Edico Genome Corp. | Bioinformatics systems, apparatuses, and methods executed on an integrated circuit processing platform |
GB201302743D0 (en) | 2013-02-18 | 2013-04-03 | Rolls Royce Plc | Method and system for designing a material |
US20140255882A1 (en) | 2013-03-05 | 2014-09-11 | Comocomo Ltd | Interactive engine to provide personal recommendations for nutrition, to help the general public to live a balanced healthier lifestyle |
CA2920608C (en) | 2013-05-28 | 2018-07-24 | Five3 Genomics, Llc | Paradigm drug response networks |
WO2014200910A2 (en) | 2013-06-10 | 2014-12-18 | Iogenetics, Llc | Bioinformatic processes for determination of peptide binding |
WO2014204990A2 (en) | 2013-06-18 | 2014-12-24 | The George Washington University, A Congressionally Chartered Not-For-Profit Corporation | Methods of predicting of chemical properties from spectroscopic data |
JP6211182B2 (ja) | 2013-06-25 | 2017-10-11 | カウンシル オブ サイエンティフィック アンド インダストリアル リサーチ | 仮想スクリーニング用の演算による炭素及びプロトンnmr化学シフトベースのバイナリフィンガープリント |
WO2015028597A1 (en) | 2013-08-30 | 2015-03-05 | Technical University Of Denmark | A method for prediction of herg potassium channel inhibition in acidic and zwitterionic compounds |
WO2015048573A1 (en) | 2013-09-27 | 2015-04-02 | Codexis, Inc. | Structure based predictive modeling |
WO2015113062A1 (en) | 2014-01-27 | 2015-07-30 | Dna-Seq, Inc. | Methods and systems for determination of an effective therapeutic regimen and drug discovery |
PL3138031T3 (pl) | 2014-04-28 | 2023-04-11 | Yeda Research And Development Co., Ltd. | Sposób i urządzenie do przewidywania odpowiedzi na pokarm |
US9965597B2 (en) | 2014-04-29 | 2018-05-08 | Schrödinger, Inc. | Collaborative drug discovery system |
US10760109B2 (en) | 2014-06-06 | 2020-09-01 | The Regents Of The University Of Michigan | Compositions and methods for characterizing and diagnosing periodontal disease |
JP2016012247A (ja) | 2014-06-30 | 2016-01-21 | 富士機械製造株式会社 | 献立作成システム |
US20160086087A1 (en) | 2014-09-19 | 2016-03-24 | King Fahd University Of Petroleum And Minerals | Method for fast prediction of gas composition |
US10510016B2 (en) | 2014-11-17 | 2019-12-17 | Optimitive S.L.U. | Methods and systems using a composition of autonomous self-learning software components for performing complex real time data-processing tasks |
JP2018507470A (ja) | 2015-01-20 | 2018-03-15 | ナントミクス,エルエルシー | 高悪性度膀胱癌の化学療法に対する奏効を予測するシステムおよび方法 |
WO2016201575A1 (en) | 2015-06-17 | 2016-12-22 | Uti Limited Partnership | Systems and methods for predicting cardiotoxicity of molecular parameters of a compound based on machine learning algorithms |
JP6380296B2 (ja) | 2015-08-25 | 2018-08-29 | トヨタ自動車株式会社 | 自動変速機の制御装置 |
US20170068777A1 (en) * | 2015-09-04 | 2017-03-09 | Tufts University | Methods of identifying and formulating food compounds that modulate phenotype-related targets |
EP4009246A1 (en) | 2015-09-30 | 2022-06-08 | Just, Inc. | Systems and methods for identifying entities that have a target property |
US10832302B2 (en) | 2015-10-30 | 2020-11-10 | Forq, Inc. | Method for digital recipe library and food image recognition services |
US10776712B2 (en) * | 2015-12-02 | 2020-09-15 | Preferred Networks, Inc. | Generative machine learning systems for drug design |
WO2017122785A1 (en) | 2016-01-15 | 2017-07-20 | Preferred Networks, Inc. | Systems and methods for multimodal generative machine learning |
US9519620B1 (en) * | 2016-01-29 | 2016-12-13 | International Business Machines Corporation | Identifying substitute ingredients using a natural language processing system |
EP3206145A1 (en) | 2016-02-09 | 2017-08-16 | InnovativeHealth Group SL | Method for producing a topical dermal formulation for cosmetic use |
WO2017172629A1 (en) | 2016-03-28 | 2017-10-05 | Icahn School Of Medicine At Mount Sinai | Systems and methods for applying deep learning to data |
US20170329892A1 (en) | 2016-05-10 | 2017-11-16 | Accutar Biotechnology Inc. | Computational method for classifying and predicting protein side chain conformations |
US10599994B2 (en) | 2016-05-24 | 2020-03-24 | International Business Machines Corporation | Predicting a chromatic identity of an existing recipe and modifying the existing recipe to meet a desired set of colors by adding new elements to the recipe |
US10332276B2 (en) | 2016-05-24 | 2019-06-25 | International Business Machines Corporation | Predicting a chromatic identity of an existing recipe and modifying the existing recipe to meet a desired set of colors by replacing existing elements of the recipe |
US10817778B2 (en) | 2016-06-27 | 2020-10-27 | International Business Machines Corporation | Customized cooking utilizing deep learning neuromorphic computing of hyperspectral input |
US10339498B2 (en) | 2016-08-10 | 2019-07-02 | Label Insight | Information management system for product ingredients |
KR20180022159A (ko) | 2016-08-23 | 2018-03-06 | 한국과학기술연구원 | 기계학습을 이용한 양액제어장치 및 방법 |
US10817799B2 (en) | 2016-09-09 | 2020-10-27 | International Business Machines Corporation | Data-driven models for improving products |
KR101864252B1 (ko) | 2016-10-25 | 2018-06-04 | 계명대학교 산학협력단 | 인공지능 기반 식품부패예측 모델 개발 시스템 및 인공지능 기반 식품부패예측 모델을 이용한 식품부패예측 알림 시스템 |
US20180121826A1 (en) | 2016-10-28 | 2018-05-03 | Knowm Inc | Compositional Learning Through Decision Tree Growth Processes and A Communication Protocol |
US10360495B2 (en) | 2016-12-30 | 2019-07-23 | Suggestic, Inc. | Augmented reality and blockchain technology for decision augmentation systems and methods using contextual filtering and personalized program generation |
WO2018132752A1 (en) | 2017-01-13 | 2018-07-19 | Massachusetts Institute Of Technology | Machine learning based antibody design |
WO2018151818A1 (en) | 2017-02-17 | 2018-08-23 | NutriCern, Inc. | Biochemical and nutritional application platform |
US20180247193A1 (en) | 2017-02-24 | 2018-08-30 | Xtract Technologies Inc. | Neural network training using compressed inputs |
EP3586287A4 (en) * | 2017-02-24 | 2020-01-01 | Newell R. Washburn | DESIGN OF A MATERIAL FORMULATION WITH COMPLEX DATA PROCESSING |
US10430395B2 (en) * | 2017-03-01 | 2019-10-01 | International Business Machines Corporation | Iterative widening search for designing chemical compounds |
ES2681125B1 (es) | 2017-03-08 | 2019-09-09 | Easytosee Agtech Sl | Procedimiento, sistema, sistema informatico y programa informatico para generar datos de una prediccion de acopio de un producto agricola |
CN110662962B (zh) | 2017-03-14 | 2022-05-17 | 沙特阿拉伯石油公司 | 用于感测和预测烃源岩的成熟度的系统和方法 |
US11404165B2 (en) | 2017-03-30 | 2022-08-02 | Northeastern University | Foodome platform |
US11416751B2 (en) | 2017-03-31 | 2022-08-16 | H2O.Ai Inc. | Time-based ensemble machine learning model |
US11289178B2 (en) * | 2017-04-21 | 2022-03-29 | International Business Machines Corporation | Identifying chemical substructures associated with adverse drug reactions |
WO2018209161A1 (en) | 2017-05-12 | 2018-11-15 | The Regents Of The University Of Michigan | Individual and cohort pharmacological phenotype prediction platform |
CN107679362B (zh) | 2017-09-19 | 2020-12-08 | 广东药科大学 | 化合物-蛋白质相互作用亲和力识别方法、系统和装置 |
CN107918718B (zh) | 2017-11-03 | 2020-05-22 | 东北大学秦皇岛分校 | 基于在线顺序极限学习机的样品成分含量测定方法 |
US11062216B2 (en) | 2017-11-21 | 2021-07-13 | International Business Machines Corporation | Prediction of olfactory and taste perception through semantic encoding |
CN108268893B (zh) | 2018-01-03 | 2021-07-27 | 浙江图讯科技股份有限公司 | 一种基于机器学习的化工园区预警方法及装置 |
US11093842B2 (en) * | 2018-02-13 | 2021-08-17 | International Business Machines Corporation | Combining chemical structure data with unstructured data for predictive analytics in a cognitive system |
US11836594B2 (en) | 2019-05-15 | 2023-12-05 | International Business Machines Corporation | Creation of detailed perceptual description ratings from general perception ratings |
US10515715B1 (en) * | 2019-06-25 | 2019-12-24 | Colgate-Palmolive Company | Systems and methods for evaluating compositions |
-
2019
- 2019-06-25 US US16/452,214 patent/US10515715B1/en active Active
- 2019-11-04 US US16/672,922 patent/US10839941B1/en active Active
- 2019-12-31 US US16/731,611 patent/US10839942B1/en active Active
- 2019-12-31 US US16/731,533 patent/US10861588B1/en active Active
-
2020
- 2020-06-03 MX MX2021015986A patent/MX2021015986A/es unknown
- 2020-06-03 EP EP20751846.5A patent/EP3973535A1/en active Pending
- 2020-06-03 BR BR112021025468A patent/BR112021025468A2/pt unknown
- 2020-06-03 CN CN202080045484.5A patent/CN114008714A/zh active Pending
- 2020-06-03 AU AU2020301331A patent/AU2020301331B2/en active Active
- 2020-06-03 WO PCT/US2020/070111 patent/WO2020264547A1/en active Application Filing
- 2020-06-03 CA CA3145324A patent/CA3145324A1/en active Pending
- 2020-10-30 US US16/949,465 patent/US11315663B2/en active Active
- 2020-12-02 US US17/247,166 patent/US11342049B2/en active Active
-
2022
- 2022-05-23 US US17/751,637 patent/US11728012B2/en active Active
-
2023
- 2023-08-15 US US18/450,011 patent/US20230395201A1/en active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116109222A (zh) * | 2023-04-10 | 2023-05-12 | 成都秦川物联网科技股份有限公司 | 产品物料配套调控的工业物联网系统、控制方法及介质 |
CN116109222B (zh) * | 2023-04-10 | 2023-06-16 | 成都秦川物联网科技股份有限公司 | 产品物料配套调控的工业物联网系统、控制方法及介质 |
Also Published As
Publication number | Publication date |
---|---|
US10839941B1 (en) | 2020-11-17 |
US20210151130A1 (en) | 2021-05-20 |
US11728012B2 (en) | 2023-08-15 |
US11342049B2 (en) | 2022-05-24 |
WO2020264547A1 (en) | 2020-12-30 |
MX2021015986A (es) | 2022-01-24 |
EP3973535A1 (en) | 2022-03-30 |
US10515715B1 (en) | 2019-12-24 |
US20200411140A1 (en) | 2020-12-31 |
BR112021025468A2 (pt) | 2022-04-26 |
US10861588B1 (en) | 2020-12-08 |
US10839942B1 (en) | 2020-11-17 |
AU2020301331A1 (en) | 2022-01-27 |
AU2020301331B2 (en) | 2023-07-20 |
US11315663B2 (en) | 2022-04-26 |
US20220359044A1 (en) | 2022-11-10 |
US20230395201A1 (en) | 2023-12-07 |
CA3145324A1 (en) | 2020-12-30 |
US20210158905A1 (en) | 2021-05-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
AU2020301331B2 (en) | Systems and methods for producing a product | |
Jaini et al. | Antecedents of green purchase behavior of cosmetics products: An empirical investigation among Malaysian consumers | |
US10614623B2 (en) | Methods and apparatuses for age appearance simulation | |
US20180276869A1 (en) | Methods For Age Appearance Simulation | |
JP2003233671A (ja) | 身体外面における状態変化の予測及び/又は追跡をする方法及びシステム | |
JP2004038918A (ja) | 顔面の3次元画像を使用した分析 | |
CN116868218A (zh) | 用于生成产品的系统和方法 | |
JP6742006B2 (ja) | 化粧料の価値評価法 | |
US20240135324A1 (en) | Systems and Methods for Producing a Product | |
Arrieta-Escobar et al. | Integration of consumer preferences and heuristic knowledge in the design of formulated products: Application to a cosmetic emulsion | |
Sayon et al. | It’s time for men to groom up! | |
US20220292572A1 (en) | System and method for customizing formulations of a consumer chemical product | |
Dhadhal | A Study of Brand Loyalty and it's Effect on Buying Behaviour In Case of Selected Cosmetics Products in the State of Gujarat | |
KR102035277B1 (ko) | 화장품 노출인자 분석 장치 및 방법 | |
Prasuna et al. | A Distributed Environment with Rough Set Theory Based Image Processing Approach for Analysis of Facial Disorders for Better Cosmetic Product Recommendation | |
KR20210002326U (ko) | 매장 내에서 피부상태를 측정하고 측정한 정보를 분석하여 원재료를 혼합하여 피부유형별 맞춤형 화장품을 즉석 제조하여 판매하는 방법 | |
Rodas | Methodological approach for the sustainable design of structured chemical products during early design stages | |
Boonyawate | Buying decision differences on demographic factors and its correlation with product attributes: a case of facial whitening products | |
Patil et al. | WOMEN CONSUMER BUYING BEHAVIOUR TOWARDS PERSONAL CARE PRODUCTS: EVIDENCES FROM PUNE CITY, AKURDI | |
Yourick et al. | Percutaneous Penetration as It Relates to the Safety Evaluation of Cosmetic Ingredients | |
Okeke | Effect of Product Re-Packaging on Consumer Buying Behaviour towards Selected Cosmetics Products in Abia State, Nigeria | |
Shanthakumari | A STUDY ON CONSUMER BUYING BEHAVIOUR ON FAIRNESS CREAM WITH SPECIAL REFERENCE TO UDUMALPET TOWN | |
Anuradha | Perception and Behaviour of Youth Consumers towards Personal Care Products: A Study in the State of Chennai and Bangalore |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |