Maskinlæring muliggør optimalt design af anti-biofouling polymerbørstefilm

Polymer børstefilm består af monomerkæder dyrket i umiddelbar nærhed på et substrat. Monomererne, der ligner "børster" på nanoskala, danner en yderst funktionel og alsidig belægning, således at den selektivt kan adsorbere eller frastøde en række kemikalier eller biologiske molekyler. For eksempel er polymerbørstefilm blevet brugt som et stillads til at dyrke biologiske celler og som beskyttende anti-biobegroningsbelægninger, der frastøder uønskede biologiske organismer.

Som anti-biofouling-belægninger er polymerbørster designet primært baseret på interaktionen mellem monomerer og vandmolekyler. Selvom dette giver et enkelt design, har kvantitativ forudsigelse af adsorptionen af ​​biomolekyler såsom proteiner på monomerer vist sig udfordrende på grund af de komplekse interaktioner, der er involveret.

Nu i en nylig undersøgelse offentliggjort i ACS Biomaterials Science &Engineering , en forskergruppe ledet af lektor Tomohiro Hayashi fra Tokyo Institute of Technology (Tokyo Tech), Japan, har brugt maskinlæring til at forudsige disse interaktioner og identificere de filmkarakteristika, der har en væsentlig indflydelse på proteinadsorption.

I deres undersøgelse fremstillede holdet 51 forskellige polymerbørstefilm af forskellig tykkelse og tæthed med fem forskellige monomerer for at træne maskinlæringsalgoritmen. De testede derefter flere af disse algoritmer for at se, hvor godt deres forudsigelser matchede den målte proteinadsorption. "Vi testede adskillige overvågede regressionsalgoritmer, nemlig gradientforstærkende regression, understøttende vektorregression, lineær regression og tilfældig skovregression, for at vælge den mest pålidelige og egnede model med hensyn til forudsigelsesnøjagtigheden," siger Dr. Hayashi.

Ud af disse modeller viste den tilfældige skov (RF) regressionsmodel den bedste overensstemmelse med de målte proteinadsorptionsværdier. Derfor brugte forskerne RF-modellen til at korrelere polymerpenslens fysiske og kemiske egenskaber med dens evne til at adsorbere serumprotein og tillade celleadhæsion.

"Vores analyser viste, at hydrofobicitetsindekset, eller den relative hydrofobicitet, var den mest kritiske parameter. Næste i rækken var tykkelse og tæthed af polymerbørstefilm, antallet af CH-bindinger, nettoladningen på monomeren og densiteten af ​​filmene Monomermolekylvægt og antallet af O-H-bindinger blev på den anden side rangeret lavt i betydning," fremhæver Dr. Hayashi.

I betragtning af den meget varierede karakter af polymerbørstefilm og de mange faktorer, der påvirker monomer-protein-interaktionerne, kan vedtagelse af maskinlæring som en måde at optimere polymerbørstefilms egenskaber give et godt udgangspunkt for det effektive design af anti-biobegroningsmaterialer og funktionelle biomaterialer. + Udforsk yderligere

Et spring fremad for design af biomaterialer ved hjælp af kunstig intelligens