Polymeerborstelfilms bestaan ​​uit monomeerketens die dicht bij elkaar op een substraat zijn gegroeid. De monomeren, die op nanoschaal op "borstelharen" lijken, vormen een zeer functionele en veelzijdige coating, zodat het selectief een verscheidenheid aan chemicaliën of biologische moleculen kan adsorberen of afstoten. Polymeerborstelfilms zijn bijvoorbeeld gebruikt als een steiger om biologische cellen te laten groeien en als beschermende anti-biofouling coatings die ongewenste biologische organismen afstoten.

Als anti-biofouling coatings zijn polymeerborstels ontworpen op basis van de interactie tussen monomeren en watermoleculen. Hoewel dit zorgt voor een eenvoudig ontwerp, is kwantitatieve voorspelling van de adsorptie van biomoleculen zoals eiwitten op monomeren een uitdaging gebleken, vanwege de complexe interacties die ermee gepaard gaan.

Nu, in een recente studie gepubliceerd in ACS Biomaterials Science &Engineering , heeft een onderzoeksgroep onder leiding van universitair hoofddocent Tomohiro Hayashi van het Tokyo Institute of Technology (Tokyo Tech), Japan, machinaal leren gebruikt om deze interacties te voorspellen en de filmkenmerken te identificeren die een significante invloed hebben op eiwitadsorptie.

In hun onderzoek fabriceerde het team 51 verschillende polymeerborstelfilms van verschillende diktes en dichtheden met vijf verschillende monomeren om het machine learning-algoritme te trainen. Vervolgens testten ze verschillende van deze algoritmen om te zien hoe goed hun voorspellingen overeenkwamen met de gemeten eiwitadsorptie. "We hebben verschillende gecontroleerde regressie-algoritmen getest, namelijk gradiëntverhogende regressie, ondersteuningsvectorregressie, lineaire regressie en willekeurige bosregressie, om het meest betrouwbare en geschikte model te selecteren in termen van voorspellingsnauwkeurigheid", zegt Dr. Hayashi.

Van deze modellen toonde het random forest (RF) regressiemodel de beste overeenkomst met de gemeten eiwitadsorptiewaarden. Dienovereenkomstig gebruikten de onderzoekers het RF-model om de fysische en chemische eigenschappen van de polymeerborstel te correleren met zijn vermogen om serumeiwit te adsorberen en celadhesie mogelijk te maken.

"Onze analyses toonden aan dat de hydrofobiciteitsindex, of de relatieve hydrofobiciteit, de meest kritische parameter was. De volgende in de rij waren de dikte en dichtheid van polymeerborstelfilms, het aantal CH-bindingen, de nettolading op monomeer en de dichtheid van de films Het molecuulgewicht van het monomeer en het aantal O-H-bindingen waren daarentegen van laag belang", benadrukt Dr. Hayashi.

Gezien de zeer gevarieerde aard van polymeerborstelfilms en de meerdere factoren die de monomeer-eiwitinteracties beïnvloeden, kan het gebruik van machine learning als een manier om de eigenschappen van polymeerborstelfilms te optimaliseren een goed startpunt vormen voor het efficiënte ontwerp van anti-biofouling materialen en functionele biomaterialen. + Verder verkennen

Een sprong voorwaarts voor het ontwerpen van biomaterialen met AI