Dyb læring løser mangeårige udfordringer i identifikation af nanopartikelform

Innovation Center of NanoMedicine har med The University of Tokyo annonceret, at en gruppe ledet af prof. Takanori Ichiki, forskningsdirektør for iCONM, foreslog en ny egenskabsevalueringsmetode for nanopartiklers formanisotropi, der løser langvarige problemer inden for nanopartikelevaluering, der går tilbage til Einsteins tid.

Artiklen med titlen "Analysis of Brownske bevægelsesbaner af ikke-sfæriske nanopartikler ved hjælp af deep learning" blev offentliggjort online i APL Machine Learning .

I denne æra, hvor nye medicinske behandlinger og diagnostiske teknologier ved hjælp af ekstracellulære vesikler og kunstige nanopartikler tiltrækker opmærksomhed, er nanopartikler nyttige materialer inden for det medicinske, farmaceutiske og industrielle område. Fra et materialeperspektiv er det nødvendigt at evaluere egenskaberne og agglomerationstilstanden for hver nanopartikel og udføre kvalitetskontrol, og der forventes fremskridt inden for nanopartikelevalueringsteknologi, der understøtter sikkerhed og pålidelighed.

En måde at evaluere nanopartikler i væske på er at analysere banen for Brownsk bevægelse. Kaldet NTA, det beregner diameteren af ​​en partikel ved hjælp af en teoretisk formel opdaget af Einstein for over 100 år siden. Selvom det bruges som en simpel metode til at måle enkeltpartikler fra mikro- til nanostørrelse, har der været et langvarigt problem, at det ikke kan evaluere formen af ​​nanopartikler.

Banen for Brownsk bevægelse afspejler indflydelsen af ​​partikelformen, men det er svært faktisk at måle ekstrem hurtig bevægelse. Desuden, selvom partiklen er ikke-sfærisk, er konventionelle analysemetoder ikke nøjagtige, fordi de ubetinget antager, at partiklen er sfærisk og bruger Stokes-Einstein-ligningen til analyse.

Men ved at bruge deep learning, som er god til at finde skjulte sammenhænge i data i stor skala, er det muligt at detektere forskelle forårsaget af forskelle i form, der kan detekteres, selv når måledata er gennemsnittet eller indeholder fejl, der ikke kan adskilles.

Prof. Takanori Ichikis forskningsgruppe lykkedes med at opbygge en dyb læringsmodel, der identificerer former fra målte Brownske bevægelsesbanedata uden at ændre den eksperimentelle metode. For ikke kun at tage højde for tidsserieændringerne i data, men også korrelationen med det omgivende miljø, integrerede de en 1-dimensionel CNN-model, der er god til at udtrække lokale træk gennem foldning og en tovejs LSTM-model, der kan akkumulere tidsmæssigt. dynamik.

Gennem baneanalyse ved hjælp af den integrerede model var de i stand til at opnå en klassificeringsnøjagtighed på cirka 80 % på en enkelt partikelbasis for to typer guldnanopartikler, der er omtrent lige store, men har forskellige former, som ikke kan skelnes ved brug af konventionel NTA alene.

En sådan høj nøjagtighed indikerer, at formklassificeringen af ​​enkelte nanopartikler i væske ved hjælp af deep learning-analyse har nået et praktisk niveau for første gang. Desuden blev der i papiret lavet en kalibreringskurve for at bestemme blandingsforholdet af en blandet opløsning af to typer nanopartikler (sfæriske og stavformede). I betragtning af de formtyper af nanopartikler, der er tilgængelige i verden, menes det, at denne metode i tilstrækkelig grad kan detektere formen.

Med konventionelle NTA-metoder kan partikelformen ikke observeres direkte, og den opnåede karakteristiske information var begrænset. Selvom banen for Brownsk bevægelse (tidsseriekoordinatdata) målt af NTA-enheden indeholder information om nanopartiklernes form, fordi afslapningstiden er ekstremt kort, har det været vanskeligt faktisk at detektere nanopartiklernes formanisotropi. I konventionelle analysemetoder, selvom partiklen er ikke-sfærisk, er den ikke nøjagtig på grund af formfaktoren, der ikke anvendes, fordi den antages at være sfærisk og analyseret ved hjælp af Stokes-Einstein-ligningen.

Forskerne sigtede efter en ny metode, som alle kan implementere, og var i stand til at løse et langvarigt problem i Brownsk bevægelsesanalyse ved at introducere deep learning, som er god til at finde skjulte sammenhænge i data i stor skala, i dataanalyse uden at ændre simpelt eksperimentelle metoder.

I dette papir forsøgte de at bestemme formen på to typer partikler, men i betragtning af formtyperne for kommercielt tilgængelige nanopartikler, mener de, at denne metode kan bruges i praktiske anvendelser såsom påvisning af fremmede stoffer i homogene systemer. Udvidelse af NTA vil føre til anvendelser ikke kun inden for forskning, men også inden for industrielle og industrielle områder, såsom evaluering af egenskaberne, agglomerationstilstanden og ensartetheden af ​​nanopartikler, der ikke nødvendigvis er sfæriske, og kvalitetskontrol.

Det forventes især at være en løsning til at evaluere egenskaberne af forskellige biologiske nanopartikler såsom ekstracellulære vesikler i et miljø, der ligner det levende organismer. Det har også potentialet til at være en innovativ tilgang i grundforskningen om Brownsk bevægelse af ikke-sfæriske partikler i væske.

Flere oplysninger: Analyse af Brownske bevægelsesbaner af ikke-sfæriske nanopartikler ved hjælp af deep learning, APL Machine Learning (2023). DOI:10.1063/5.0160979

Leveret af Innovation Center of NanoMedicine