Maskinlæring muliggør et hidtil uset kig på polymerer, der er nyttige inden for biomedicinsk område

Polymerer - molekyler af gentagne kemikalier - er grundlaget for mange materialer:plastikvandflasker, gummi dæk, selv keratinen i dit hår. Når visse typer polymerer er følsomme over for ændringer i eksterne stimuli såsom temperatur, de bliver hjælpsomme, især i biomedicinske applikationer som lægemiddellevering, vævsteknik, og genlevering.

Et team af forskere ledet af Sanket Deshmukh, adjunkt i kemiteknik, har udviklet en metode til at undersøge strukturerne af polymerer, der er følsomme over for ydre stimuli. I en nyligt offentliggjort tidsskriftsartikel i Journal of Physical Chemistry Letters , gruppen udviklede en første af sin slags, temperaturuafhængig beregningsmodel for en bestemt polymer, der er følsom over for temperatur. Simuleringsbaner for denne beregningsmodel blev analyseret ved hjælp af en datadrevet maskinlæringsmetode.

Gruppen valgte polymeren poly(N-isopropylacrylamid), også kendt som PNIPAM, som er temperaturfølsomt. I modsætning til de fleste materialer, denne termofølsomme polymer opløses i vand ved temperaturer under 32 ℃ og er uopløselig ved højere temperaturer - det omvendte af de fleste materialer. Den temperatur, ved hvilken polymerens adfærd ændres, er kendt som en lavere kritisk opløsningstemperatur.

Den termofølsomme polymers unikt lavere kritiske opløsningstemperatur kan ændres, imidlertid, ved at inkorporere grupper af atomer, der styrer den måde, polymeren reagerer på ændringer i den omgivende temperatur. Tilføjelse af atomer til den termofølsomme polymer, der kan lide eller ikke kan lide vand, gør det muligt for polymeren at ændre dens lavere kritiske opløsningstemperatur til at være tæt på den menneskelige kropstemperatur på 37 ℃ - værdifuldt til applikationer med kontrolleret lægemiddelafgivelse.

En type beregningsmodel, som Deshmukhs team har udviklet til den termofølsomme polymer, kaldes en grovkornet model, hvor en gruppe af atomer er arrangeret sammen i modellen i det, der er kendt som en perle. I øvrigt, dette er et første forsøg nogensinde på at bruge en specifik datadrevet maskinlæringstilgang, kaldet en ikke-metrisk multidimensionel skaleringsmetode, at analysere molekylær dynamik simuleringsbaner af en grovkornet model af en temperaturfølsom polymer.

"Denne analyse viser tilstedeværelsen af ​​flere metastabile tilstande af PNIPAM under dens konformationelle overgang over den lavere kritiske opløsningstemperatur, som giver helt ny indsigt i denne proces, " sagde Deshmukh.

"Udvikling af nøjagtige grovkornede modeller er en meget udfordrende opgave, fordi man skal fange interaktionerne mellem polymeren med sig selv og mellem polymeren og vandmolekylerne meget præcist, " sagde Karteek Bejagam, en post-doc forsker i Deshmukhs laboratorium og en hovedforfatter af undersøgelsen. "Specielt, den subtile balance i interaktionerne mellem polymeren og vandet skal fanges nøjagtigt, så det kan gengive polymerers opløselighed ved forskellige temperaturer."

"Vi ved, at modellen virker, fordi det holdt sig selv under forskellige forhold, " sagde Yaxin An, et tredje års ph.d. elev i Deshmukhs gruppe. "Det er fantastisk at se adfærden som forventet både på computeren og i virkeligheden."

Eksperimentelt, flere faktorer er blevet rapporteret at påvirke den lavere kritiske opløsningstemperatur af den termofølsomme polymer. For eksempel, polymerens rygradstakticitet - et udtryk, der betegner et bestemt arrangement af molekyler - kan ændre den observerede lavere kritiske opløsningstemperatur i området fra 17 ℃ til 34 ℃.

"Denne nye grovkornede model af PNIPAM blev bygget sådan, at den kan bevare taciticiteten af ​​PNIPAM og dermed kan fange effekter observeret i laboratorieforsøg, " sagde Samrendra Singh, en gæsteforsker i Deshmukhs gruppe.

Denne forskning brugte Cori-supercomputeren ved Department of Energy's National Energy Research Scientific Computing Center til at udvikle disse modeller. Den omfattende validering af modellen blev udført hos Advanced Research Computing ved Virginia Tech.

På nuværende tidspunkt Deshmukhs gruppe bruger modellen af ​​den termofølsomme polymer til at simulere komplekse arkitekturer med det formål at give indsigt i strukturerne på individuelle polymerkæder, der er til stede i disse materialer, som ellers er utilgængelige selv med de eksisterende fremskridt i de eksperimentelle teknikker.