Introduction
La performance de la R&I (Recherche et Innovation) au sein des groupes industriels est toujours un sujet d’actualité, mais surtout en période de réduction des coûts. L’une des pistes pour améliorer cette performance consiste à mieux exploiter les données disponibles, dans l’espoir de réduire ainsi le besoin d’effectuer des tests. Cet espoir guide déjà depuis au moins une dizaine d’années les stratégies de R&I dans des secteurs tels que l’oil & gas et l’industrie pharmaceutique. Il arrive maintenant en force dans le secteur de la beauté.
Les nouvelles méthodes de R&D en chimie arrive dans le secteur de la beauté
Limites des approches empiriques
La chimie est à l’origine d’un grand nombre de médicaments révolutionnaires, mais depuis quelques décennies la productivité et la rentabilité de la R&D basée sur les méthodes empiriques diminue. Dans le cas de l’industrie pharmaceutique, la cause de ce phénomène réside dans une large mesure dans le fait que l’échec d’une molécule en cours de développement coûte de plus en plus cher. Mais tous les secteurs industriels amenés à mettre au point de nouvelles molécules sont confrontés à la nécessité de réduire les coûts et les délais du développement.
Cette réalité conduit des secteurs tels que l’oil & gas et l’industrie pharmaceutique à chercher activement à faire progresser les méthodes de développement de nouvelles molécules, par tous les moyens dès lors qu’ils permettent de minimiser le besoin d’essais réels. Le but est donc de se rapprocher le plus possible d’un environnement de développement le plus virtuel possible : d’un environnement basé sur la manipulation de données déjà disponibles. Pourquoi en effet lancer une expérimentation coûteuse quand on peut simuler ?
Défis des méthodes data-driven
Mais est-ce que ces approches data-driven fonctionnent ? Cela dépend de la complexité des molécules et des systèmes avec lesquels elles interagissent. Ainsi le passage des essais in vitro aux essais in vivo, constitue un facteur de complexité absent des environnement artificiels caractéristiques de l’oil & gas.
Spécificités du secteur de la beauté
Dans le cas du secteur de la beauté, un nouveau facteur apparaît : celui de la complexité des formulations. Les produits de beauté combinent typiquement des substances, notamment sous la forme d’émulsions (cas le plus complet et complexe). Cette réalité rend le comportement de ces formulations difficile à prévoir, et peut conduire à une incertitude sur la fiabilité des produits dans la durée. Un industriel ne peut pas se permettre de mettre sur le marché un produit qui ne tient pas ses promesses dans la durée.
Pour accroître la performance de la R&I dans le secteur de la beauté, deux approches data-driven semblent particulièrement intéressantes : d’une part le rétro-engineering, d’autre part la typologie prédictive de stabilité.
Le rétro-engineering data-driven
Cette méthode consiste à s’appuyer sur les données afin de corréler performances et propriétés avec la structure des molécules, et ainsi fournir une aide à la formulation (qui n’est alors plus uniquement empirique). Cette méthode se situe en amont dans la phase de conception des nouvelles molécules, et permet de limiter le recours aux tests empiriques. Elle vient donc compléter le travail du formulateur. Les entreprises du secteur de la beauté manifestent un grand intérêt pour cette méthode, qui a déjà donné des succès dans l’industrie pharmaceutique, notamment grâce aux progrès de la biologie systémique.
La prédiction data-driven de la stabilité des formulations
Limites des tests existants
Contrairement à un secteur tel que l’agro-alimentaire, le secteur de la beauté n’est pas soumis à une obligation réglementaire en matière de tests pour garantir la stabilité des formules. Frédéric Leroy, Fellow Presans et ex-Directeur de la R&D chez L’Oréal Advanced Research attire l’attention sur le fait que le principal test en vigueur ne concerne que l’aspect physique (texture) de la stabilité (le test consiste à conserver la formulation à 45° pendant trois mois). Ce type de test ne possède pas de valeur prédictive. Il ne donne en particulier aucune information sur l’aspect chimique de la stabilité : est-ce que les composés se dégradent (disparition des composés désirables) ? De même en ce qui concerne l’aspect sécurité microbiologique (apparition de composés indésirables). Par conséquent les dates de péremption indiquées sur le packaging des produits de beauté tendent à être largement conventionnelles.
Dans le cas de formules combinant des substances diverses, une meilleure connaissance de leur comportement contribuerait par ailleurs à la réduction des risques et des délais associés au développement de nouvelles molécules (élimination plus rapide des fausses pistes).
Utiliser l’intelligence artificielle pour construire une typologie prédictive
Pour constituer cette connaissance, il est nécessaire de compiler une masse de données qui n’existe actuellement que dans un état de grande dispersion. Un tel travail permettrait de constituer une typologie prédictive, associant tests et modélisation, et permettant de connaître par avance les effets de diverses combinaisons de substances. La capacité de prédire l’évolution d’une formule en fonction de paramètres standards (temps, température, pression) augmenterait massivement, et ce sur les trois plans physique, chimique et sécurité microbiologique. La complexité et la non linéarité des formules rend cependant difficile la constitution de lois globales de comportement.
Conclusion
Le passage à une R&I data-driven dans le secteur de la beauté repose sur l’adoption et l’adaptation d’approches prometteuses ayant fait leurs preuves dans d’autres secteurs. Reste la question de savoir comment une telle base de connaissance doit être construite : chacun va-t-il travailler individuellement à renforcer sa position concurrentielle à travers la constitution d’un savoir propriétaire ? Ou bien se peut-il que des synergies apparaissent entre différents acteurs, voire entre acteurs appartenant à des secteurs distincts, dans une logique de Synergy Factory ?
