Maskinlæring kigger ind i nano-akvarier

I nanoverdenen, små partikler såsom proteiner ser ud til at danse, mens de transformerer og samles for at udføre forskellige opgaver, mens de er suspenderet i en væske. Nyligt udviklede metoder har gjort det muligt at se og optage disse ellers undvigende små bevægelser, og forskere tager nu et skridt fremad ved at udvikle en maskinlæringsarbejdsgang for at strømline processen.

Den nye undersøgelse, ledet af Qian Chen, en professor i materialevidenskab og teknik ved University of Illinois, Urbana-Champaign, bygger på hendes tidligere arbejde med væskefase elektronmikroskopi og er publiceret i tidsskriftet ACS Central Science .

At være i stand til at se - og registrere - nanopartiklernes bevægelser er afgørende for at forstå en række tekniske udfordringer. Væskefase elektronmikroskopi, som giver forskere mulighed for at se nanopartikler interagere inde i bittesmå akvarielignende prøvebeholdere, er nyttig til forskning i medicin, energi og miljømæssig bæredygtighed og i fremstilling af metamaterialer, for at nævne et par stykker. Imidlertid, det er svært at fortolke datasættet, sagde forskerne. De producerede videofiler er store, fyldt med tidsmæssig og rumlig information, og er støjende på grund af baggrundssignaler – med andre ord, de kræver en masse kedelig billedbehandling og analyse.

"At udvikle en metode til selv at se disse partikler var en kæmpe udfordring, " sagde Chen. "Det er blevet den nye udfordring at finde ud af, hvordan man effektivt kan få de nyttige data fra et hav af afvigere og støj."

For at konfrontere dette problem, holdet udviklede et maskinlærings-workflow, der er baseret på et kunstigt neuralt netværk, der efterligner, delvis, den menneskelige hjernes indlæringsevne. Programmet bygger på et eksisterende neuralt netværk, kendt som U-Net, som ikke kræver håndlavede funktioner eller forudbestemt input og har givet betydelige gennembrud i at identificere uregelmæssige cellulære funktioner ved hjælp af andre typer mikroskopi, undersøgelsen rapporterer.

"Vores nye program behandlede information til tre typer nanoskala dynamik, herunder bevægelse, kemisk reaktion og selvsamling af nanopartikler, " sagde hovedforfatter og kandidatstuderende Lehan Yao. "Disse repræsenterer de scenarier og udfordringer, vi er stødt på i analysen af ​​flydende-fase elektronmikroskopi-videoer."

Forskerne indsamlede målinger fra cirka 300, 000 par interagerende nanopartikler, undersøgelsen rapporterer.

Som fundet i tidligere undersøgelser af Chens gruppe, kontrast er fortsat et problem, mens man afbilder visse typer nanopartikler. I deres eksperimentelle arbejde, holdet brugte partikler lavet af guld, som er let at se med et elektronmikroskop. Imidlertid, partikler med lavere grundstof- eller molekylvægt som proteiner, plastpolymerer og andre organiske nanopartikler viser meget lav kontrast, når de ses under en elektronstråle, sagde Chen.

"Biologiske anvendelser, som søgningen efter vacciner og lægemidler, understrege det presserende i vores indsats for at have vores teknik tilgængelig til billeddannelse af biomolekyler, " sagde hun. "Der er kritiske nanoskala-interaktioner mellem vira og vores immunsystem, mellem stofferne og immunsystemet, og mellem stoffet og selve virussen, der skal forstås. Det faktum, at vores nye behandlingsmetode giver os mulighed for at udtrække information fra prøver som vist her, gør os klar til det næste trin i applikations- og modelsystemer."

Holdet har gjort kildekoden til maskinlæringsprogrammet, der blev brugt i denne undersøgelse, offentligt tilgængelig gennem sektionen med supplerende oplysninger i det nye papir. "Vi føler, at det at gøre koden tilgængelig for andre forskere kan gavne hele nanomaterialeforskningssamfundet, " sagde Chen.