PAULYMigrationsmodellierung
Sagen Sie das Leaching von Chemikalien aus Verpackungsmaterialien präzise voraus. Kombinieren Sie direkte GNN-Vorhersagen mit unserem mechanistischen LSER-Ansatz, um Worst-Case-Steady-State-Szenarien belastbar zu bewerten. (Hinweis: Diese Toolbox befindet sich aktuell in der Entwicklung).
Stärken Sie Ihre Workflows für Verpackungssicherheit
Diese Toolbox wurde speziell für die Pharma- und Lebensmittelindustrie konzipiert und liefert prädiktive Daten zur Bewertung der chemischen Migration (z.B. zur Unterstützung von FDA-Reportings).
- Worst-Case-Szenario-Modellierung: Schätzen Sie maximale Leaching-Konzentrationen sicher ab. Unser Tool berechnet belastbare Worst-Case-Steady-State-Szenarien, um höchste Sicherheitsmargen für Ihre Verpackungsbewertungen zu gewährleisten.
- Mechanistische & direkte Vorhersagen: Wählen Sie die benötigte Komplexitätstiefe. Sagen Sie Verteilungskoeffizienten direkt voraus oder nutzen Sie unseren zweistufigen LSER-Ansatz für maximale mechanistische Transparenz.
- Zukünftige Kinetik-Modelle (Roadmap): Während unsere aktuellen Modelle thermodynamische Gleichgewichte und Steady-State-Szenarios berechnen, umfasst unsere Roadmap die baldige Implementierung kinetischer Modelle zur genauen Beschreibung zeitabhängiger Migrationsprofile.
- In der Entwicklung: Toolbox D wird derzeit aktiv entwickelt. Sprechen Sie schon heute mit unseren Experten, um zu den ersten Anwendern zu gehören.
Fortschrittliche Modellierung für die Polymermigration
Um das chemische Leaching aus Polymeren zu berechnen, nutzen wir unsere bewährten Machine-Learning-Architekturen zur Vorhersage der Worst-Case Szenarien (Gleichgewichtssituation). Sie können die Migration mit den folgenden Methoden modellieren:
- Direkte GNN-Vorhersagen: Nutzen Sie unsere leistungsstärksten Graph Neural Networks (GNNs), um kritische Basisparameter, wie den Oktanol-Wasser-Verteilungskoeffizienten (log Kow), direkt aus dem SMILES-String vorherzusagen.
- KI-gestützter LSER-Ansatz: Sagen Sie komplexe Polymer-Wasser-Verteilungskoeffizienten mechanistisch fundiert voraus. Wir nutzen GNNs zur Vorhersage der Substanzdeskriptoren und wenden anschließend bekannte LSER-Phasenparameter an, um die Gleichgewichtssituation zwischen Polymer und Kontaktmedium exakt zu beschreiben.
- Steady-State-Berechnungen: Integrieren Sie Ihre vorhergesagten Verteilungskoeffizienten automatisch in etablierte Gleichungen, um Worst-Case-Steady-State-Leaching-Szenarien zu simulieren.
Wissenschaftliche Transparenz
Unsere Basismodelle für Verteilungskoeffizienten und Deskriptorvorhersagen wurden streng evaluiert und in peer-reviewten Fachzeitschriften veröffentlicht. So stellen wir sicher, dass die physikalischen Grundlagen unserer Migrationsmodelle absolut belastbar sind.
Publikationen
- "Predicting partitioning from low density polyethylene to blood and adipose tissue by linear solvation energy relationship models", J. Biomed. Mater. Res. Part B, 2023. https://doi.org/10.1002/jbm.b.35304