Het is miljoenen biljoenen keren helderder dan zonlicht en maar liefst 1, 000 biljoenste van een seconde, toepasselijk 'onmiddellijk licht' genoemd - het X-ray Free Electron Laser (XFEL)-licht dat een nieuw wetenschappelijk paradigma opent. Door het te combineren met AI, een internationaal onderzoeksteam is erin geslaagd de 3D-structuur van nanodeeltjes die structurele overeenkomsten vertonen met virussen te filmen en te herstellen. Met de angst voor een nieuwe pandemie die over de hele wereld groeit als gevolg van COVID-19, deze ontdekking trekt de aandacht in academische kringen voor het met hoge nauwkeurigheid en snelheid in beeld brengen van de structuur van het virus.

Een internationaal team van onderzoekers van POSTECH, Nationale Universiteit van Singapore (NUS), KAIST, KERN, en IBS hebben met succes de structurele heterogeniteiten in 3D-structuren van nanodeeltjes geanalyseerd door duizenden nanodeeltjes per uur te bestralen met behulp van de XFEL in Pohang Accelerator Laboratory (PAL) in Korea en 3D-multimodellen te herstellen door middel van machine learning. Het onderzoeksteam onder leiding van professor Changyong Song en Ph.D. kandidaat Do Hyung Cho van de afdeling Natuurkunde bij POSTECH heeft de internationale onderzoekssamenwerking aangestuurd om dit te realiseren.

Nanodeeltjes hebben een eigenaardige functie die mogelijk niet beschikbaar is in natuurlijke bulkmaterialen, en men kan hun fysische en chemische eigenschappen beheersen door 3D-structuren en samenstellingen van samenstellende elementen te ontwerpen.

De overeenkomst tussen nanodeeltjes en virussen is dat ze bestaan ​​in de vorm van onafhankelijke deeltjes, in plaats van in kristal-reguliere, periodieke regelingen, en, als zodanig, hun structuren zijn niet uniform op nanometerniveau. Om hun structuren precies te begrijpen, het is noodzakelijk om de structuur van individuele deeltjes statistisch te analyseren met behulp van de hele ensembleverdeling van structuren van duizenden tot honderdduizenden exemplaren. Echter, elektronenmicroscopen schieten vaak tekort in het verschaffen van voldoende penetratie om de grootte van het te onderzoeken monster te beperken; conventionele röntgenstralen kunnen het monster beschadigen door röntgenstraling zelf, waardoor het moeilijk is om voldoende resolutie te verkrijgen.

Het onderzoeksteam overwon de praktische beperkingen van de conventionele methode door de röntgenvrije elektronenlaser en de machine learning-methode te gebruiken om de statistische verdeling van de 3D-structuur van duizenden nanodeeltjes op nanometerniveau te observeren. Als resultaat, Er werden 3D-structuren van nanodeeltjes met een grootte van 300 nm verkregen met een resolutie beter dan 20 nm.

Deze prestatie was vooral belangrijk voor het herstellen van de 3D-structuur van duizenden nanodeeltjes met behulp van machine learning. Aangezien conventionele beeldvormingstechnieken met één deeltjes vaak uitgaan van een identieke 3D-structuur van de specimens, het was moeilijk om de structuur te herstellen in feitelijke experimentele gegevens waar de monsterstructuur niet homogeen is. Echter, met de introductie van het multimodel deze keer, de onderzoekers slaagden erin de representatieve 3D-structuren te herstellen. Dit onderzoek heeft de classificatie van nanodeeltjes in vier hoofdvormen mogelijk gemaakt, en bevestigde dat ongeveer 40% van hen vergelijkbare structuren had.

In aanvulling, door kwantitatieve analyse van de herstelde 3D-structuur, het internationale onderzoekssamenwerkingsteam ontdekte ook de interne elastische rekverdeling, vergezeld van de karakteristieke veelvlakstructuur van de nanodeeltjes en de inhomogene dichtheidsverdeling.

"Deze bevindingen maken de observatie mogelijk van de 3D-structuur van niet-kristallijne virale monsters met inhomogeen verdeelde interne moleculen, "Verklaart professor Changyong Song van POSTECH. "Het toevoegen van het 3D-beeldherstelalgoritme hieraan door middel van machinaal leren, belooft veelbelovend te zijn voor studies van macromolecuulstructuren of virussen in levende organismen."