Science >> Wetenschap >  >> nanotechnologie

Deep learning lost al lang bestaande uitdagingen op bij het identificeren van de vorm van nanodeeltjes

Schema van vormvoorspelling van nanodeeltjes. Credit:Afdeling Materiaalkunde, Graduate School of Engineering, Universiteit van Tokio

Innovation Center of NanoMedicine heeft samen met de Universiteit van Tokio aangekondigd dat een groep onder leiding van prof. Takanori Ichiki, onderzoeksdirecteur van iCONM, een nieuwe methode voor de evaluatie van eigenschappen van de vormanisotropie van nanodeeltjes heeft voorgesteld, die al lang bestaande problemen in de evaluatie van nanodeeltjes oplost die teruggaan tot Einsteins tijd.



Het artikel, getiteld "Analysis of Brownian motion trajectories of non-spherical nanoparticles Using deep learning" werd online gepubliceerd in APL Machine Learning .

In dit tijdperk waarin nieuwe medische behandelingen en diagnostische technologieën waarbij gebruik wordt gemaakt van extracellulaire blaasjes en kunstmatige nanodeeltjes de aandacht trekken, zijn nanodeeltjes nuttige materialen op medisch, farmaceutisch en industrieel gebied. Vanuit materiaalperspectief is het noodzakelijk om de eigenschappen en agglomeratietoestand van elk nanodeeltje te evalueren en kwaliteitscontrole uit te voeren. Er wordt vooruitgang verwacht in de evaluatietechnologie voor nanodeeltjes die de veiligheid en betrouwbaarheid ondersteunt.

Eén manier om nanodeeltjes in vloeistof te evalueren is door het traject van de Brownse beweging te analyseren. Het heet NTA en berekent de diameter van een deeltje met behulp van een theoretische formule die Einstein meer dan 100 jaar geleden ontdekte. Hoewel het wordt gebruikt als een eenvoudige methode om afzonderlijke deeltjes van micro- tot nanogrootte te meten, bestaat er al lang een probleem dat het de vorm van nanodeeltjes niet kan beoordelen.

Het traject van de Brownse beweging weerspiegelt de invloed van de deeltjesvorm, maar het is moeilijk om extreem snelle bewegingen daadwerkelijk te meten. Bovendien zijn conventionele analysemethoden, zelfs als het deeltje niet-bolvormig is, niet nauwkeurig, omdat ze onvoorwaardelijk aannemen dat het deeltje bolvormig is en voor analyse de vergelijking van Stokes-Einstein gebruiken.

Met behulp van deep learning, dat goed is in het vinden van verborgen correlaties in grootschalige gegevens, is het echter mogelijk om verschillen te detecteren die worden veroorzaakt door verschillen in vorm die kunnen worden gedetecteerd, zelfs wanneer meetgegevens worden gemiddeld of fouten bevatten die niet van elkaar kunnen worden gescheiden.

P>

De onderzoeksgroep van prof. Takanori Ichiki is erin geslaagd een diepgaand leermodel te bouwen dat vormen identificeert uit gemeten Brownse bewegingstrajectgegevens zonder de experimentele methode te veranderen. Om niet alleen rekening te houden met veranderingen in de tijdreeksen in gegevens, maar ook met de correlatie met de omgeving, integreerden ze een eendimensionaal CNN-model dat goed is in het extraheren van lokale kenmerken door middel van convolutie, en een bidirectioneel LSTM-model dat temporele gegevens kan accumuleren. dynamiek.

Door trajectanalyse met behulp van het geïntegreerde model konden ze een classificatienauwkeurigheid van ongeveer 80% bereiken op basis van één deeltje voor twee soorten gouden nanodeeltjes die ongeveer even groot zijn maar verschillende vormen hebben, die niet kunnen worden onderscheiden met alleen conventionele NTA.

Een dergelijke hoge nauwkeurigheid geeft aan dat de vormclassificatie van afzonderlijke nanodeeltjes in vloeistof met behulp van deep learning-analyse voor het eerst een praktisch niveau heeft bereikt. Bovendien is in het artikel een ijkcurve gemaakt om de mengverhouding van een gemengde oplossing van twee soorten nanodeeltjes (bolvormig en staafvormig) te bepalen. Gezien de vormtypen van nanodeeltjes die in de wereld beschikbaar zijn, wordt aangenomen dat deze methode de vorm voldoende kan detecteren.

Met conventionele NTA-methoden kan de vorm van de deeltjes niet direct worden waargenomen en was de verkregen karakteristieke informatie beperkt. Hoewel het traject van de Brownse beweging (tijdreekscoördinatengegevens) gemeten door het NTA-apparaat informatie bevat over de vorm van de nanodeeltjes, was het, omdat de relaxatietijd extreem kort is, moeilijk om de vormanisotropie van nanodeeltjes daadwerkelijk te detecteren. Bovendien is het bij conventionele analysemethoden, zelfs als het deeltje niet-bolvormig is, niet nauwkeurig omdat de vormfactor niet wordt toegepast, omdat wordt aangenomen dat het bolvormig is en wordt geanalyseerd met behulp van de Stokes-Einstein-vergelijking.

De onderzoekers streefden naar een nieuwe methode die iedereen kan implementeren, en konden een al lang bestaand probleem in de Brownse bewegingsanalyse oplossen door deep learning, dat goed is in het vinden van verborgen correlaties in grootschalige data, te introduceren in data-analyse zonder eenvoudige wijzigingen aan te brengen. experimentele methoden.

In dit artikel probeerden ze de vormen van twee soorten deeltjes te bepalen, maar gezien de soorten vormen van in de handel verkrijgbare nanodeeltjes denken ze dat deze methode kan worden gebruikt in praktische toepassingen zoals de detectie van vreemde stoffen in homogene systemen. Uitbreiding van NTA zal niet alleen leiden tot toepassingen in onderzoek, maar ook op industriële en industriële gebieden, zoals het evalueren van de eigenschappen, de agglomeratietoestand en de uniformiteit van nanodeeltjes die niet noodzakelijkerwijs bolvormig zijn, en kwaliteitscontrole.

Er wordt met name verwacht dat het een oplossing zal zijn voor het evalueren van de eigenschappen van diverse biologische nanodeeltjes, zoals extracellulaire blaasjes, in een omgeving die vergelijkbaar is met die van levende organismen. Het heeft ook het potentieel om een ​​innovatieve benadering te zijn in fundamenteel onderzoek naar de Brownse beweging van niet-sferische deeltjes in vloeistoffen.

Meer informatie: Analyse van Brownse bewegingstrajecten van niet-sferische nanodeeltjes met behulp van deep learning, APL Machine Learning (2023). DOI:10.1063/5.0160979

Aangeboden door Innovation Center of NanoMedicine