Ny AI-teknik kan føre til innovationer inden for biomaterialer

Innovation fører ofte til nye produkter, men nye metoder kan være lige så banebrydende.

Det var chancen for at hjælpe med at udvikle de metoder, der trak den kemiingeniørstuderende Soumil Joshi fra sit hjemland Mumbai, Indien, til Virginia Tech i 2019.

"Det er en fantastisk skole, især for kemiingeniørområdet, og den er virkelig kendt for forskning i polymerer, hvilket jeg er taknemmelig for at lave her," sagde Joshi.

Og i marts førte tre års arbejde til, at hans navn blev opført som førsteforfatter på et papir, der beskriver en ny beregningsmetode til at arbejde med polymerer, som han og hans rådgiver, adjunkt Sanket Deshmukh, håber vil føre til betydelige biomedicinske fremskridt.

Artiklen, med titlen "Grovkornet molekylær dynamik integreret med Convolutional Neural Network for at sammenligne former for temperaturfølsomme flaskebørster," beskriver en metode udviklet af Deshmukh-laboratoriet, herunder medforfatter og gæsteforsker Samrendra Singh, der bruger kunstig intelligens til at analysere form af vigtige komplekse bløde materialer og forudsige deres adfærd.

Den blev udgivet i npj Computational Materials , et tidsskrift med åben adgang fra Nature , og har ikke kun et løfte om at muliggøre nye opdagelser inden for biomaterialer, men fremhæver den voksende betydning af big data, kunstig intelligens og beregningsvidenskab inden for kemiteknik.

Disse computerstøttede innovationer er afgørende for at gøre fremskridt på en række områder, sagde Deshmukh. "Der er langvarige videnskabelige problemer, som ikke kan løses med eksisterende metoder, så løsning af problemer og udvikling af nye metoder går hånd i hånd."

Forskerne udviklede deres "deep-learning"-metode til at arbejde med det, der kaldes "bløde materialer".

I deep learning trænes kunstige intelligenssystemer til at genkende mønstre, arbejde på problemer og udføre opgaver – med eller uden menneskelig opsyn. Bløde materialer kan omfatte væsker, polymerer, glykomaterialer, skum, geler og de fleste bløde biologiske materialer. De bruges i en lang række produkter og anvendelser, lige fra tandpasta, smøremidler og flydende krystalskærme til lægemiddelleveringssystemer og vævsstilladser. Men traditionelle beregningsmetoder til at analysere og forudsige deres adfærd, især polymerer, har begrænset anvendelighed, hvilket hindrer fremskridt i deres udvikling.

For at hjælpe med at bryde den trævl, arbejdede forskerne med en type forgrenede, trælignende polymerer kaldet "flaskebørster". Deres inspiration kom fra biomolekyler, hvis forskellige former bestemmer deres funktioner. Syntetisering af dem i laboratoriet kan føre til nye medicinske behandlinger og andre industriapplikationer, sagde Deshmukh. Men det kan være svært, fordi polymererne ændrer form hurtigt, afhængigt af temperatur og andre faktorer. Uden en effektiv og præcis måde at analysere og forudsige disse ændringer på, er det svært at skabe syntetiske versioner.

Deres nye proces bruger et velkendt deep-learning-system kaldet Convolutional Neural Network, eller CNN, til at identificere og forudsige ligheder i form og funktion i polymererne - noget, der ikke kan gøres uden computerassistance.

Anvendelse af kunstig intelligens på dette polymerproblem er "banebrydende, fordi det viser potentialet i dybe læringsmetoder inden for bløde materialer," sagde Deshmukh. "Så i princippet, hvis vi forstår, hvordan formerne ændrer sig, så kan vi forhåbentlig kontrollere dem."

For at bevise, at deres metode ville virke, kørte Joshi 100 unikke CNN-modeller og lærte systemet at identificere flaskebørster med lignende former. Projektet var udfordrende, ikke bare fordi det krævede omhyggeligt arbejde at lære modellen, hvilke data og funktioner man skulle kigge efter i polymererne, men også fordi forskerne ikke umiddelbart vidste, hvilke funktioner der var relevante. Det skulle de finde ud af først.

Udviklingen af ​​modellerne tog mere end et år, sagde Deshmukh. "Singh og Joshi gjorde et fantastisk stykke arbejde med at identificere behandlingen af ​​de relevante data og derefter forfine dem yderligere for at sikre, at CNN-modellen får den rigtige information."

"Det meste af den indledende brainstorming om, hvilke funktioner der skal bruges, blev udført af Dr. Singh og Dr. Deshmukh, hvilket hjalp med at eliminere masser af ugunstige muligheder," sagde Joshi. "Dette hjalp os med at finde vores nuværende metode, som jeg brugte til at kode og inkorporere i vores analysealgoritme."

Resultaterne har været meget lovende, sagde Joshi, og teamet håber at udvide brugen af ​​teknikken til det voksende område af glykomaterialer - kulhydratbaserede bløde materialer produceret af enhver levende organisme.

Disse bløde materialer indeholder kæder af sukkerarter, kaldet glykaner, der spiller en afgørende rolle i sundhed og sygdom. Af livets fire byggesten – glykaner, proteiner, lipider og nukleinsyrer – er glykaner de mest komplekse og de mest udfordrende at forstå. Men CNN kunne anspore til fremskridt på dette område.

"Så ligesom vi skabte disse flaskebørstestrukturer til syntetiske polymerer, er der mange arkitekturer, der kan skabes ved hjælp af glykomaterialer og polymerer som disse glykaner," sagde Deshmukh.

"Vi planlægger at hjælpe vores samarbejdspartnere med at designe nye typer glykomaterialer, der kan bruges til biomedicinske anvendelser," sagde Deshmukh. "Det er virkelig spændende."

Denne forskning peger også på den voksende betydning af datavidenskab og maskinlæring i kemiteknik, sagde afdelingsleder Steven Wrenn.

"Det er vigtigt, at vores kandidater ved, hvordan man arbejder med dataforskere og bruger computermodellering i deres eget arbejde," sagde Wrenn. "Denne uddannelse vil gøre vores studerende meget mere attraktive for arbejdsgivere og kandidatuddannelser."

Faktisk arbejder afdelingen på en ny beregnings- og datavidenskabsuddannelse, som, hvis den bliver godkendt, vil uddanne studerende til at anvende datalogi til kemiteknik. Deshmukh er med til at udvikle studiesporet.

"At uddanne en kemiingeniør, der skal arbejde i en kemisk fabrik i datavidenskab og kunstig intelligens, gør dem til et rigtigt aktiv," sagde Deshmukh. "Fordi de skal hjælpe med at løse problemer i den kemiske industri, som ikke rigtig kan løses med traditionelle metoder." + Udforsk yderligere

Nye maskinlæringsbaserede rammer kan føre til gennembrud inden for materialedesign