Lo studente di dottorato in ingegneria chimica Soumil Joshi (in primo piano) discute il lavoro su un nuovo modello di intelligenza artificiale per l'analisi dei biomateriali con il professore assistente e ricercatore principale Sanket Deshmukh. Joshi è stato l'autore principale di un documento di ricerca del laboratorio Deshmukh recentemente pubblicato su una rivista online affiliata a Nature . Credito:Tonia Moxley per Virginia Tech
L'innovazione spesso porta a nuovi prodotti, ma i nuovi metodi possono essere altrettanto innovativi.
È stata l'occasione per aiutare a sviluppare quei metodi che hanno portato lo studente di dottorato in ingegneria chimica Soumil Joshi dalla sua nativa Mumbai, in India, alla Virginia Tech nel 2019.
"È un'ottima scuola, soprattutto per il campo dell'ingegneria chimica, ed è davvero rinomata per la ricerca sui polimeri, cosa che sono grato di fare qui", ha detto Joshi.
E a marzo, tre anni di lavoro hanno portato il suo nome a essere elencato come primo autore in un articolo che descrive un nuovo metodo computazionale per lavorare con i polimeri che lui e il suo consulente, l'assistente professore Sanket Deshmukh, sperano possa portare a significativi progressi biomedici.
L'articolo, intitolato "Dinamica molecolare a grana grossa integrata con la rete neurale convoluzionale per il confronto di forme di scovoli da bottiglia sensibili alla temperatura", descrive in dettaglio un metodo sviluppato dal laboratorio Deshmukh, tra cui il coautore e studioso in visita Samrendra Singh, che utilizza l'intelligenza artificiale per analizzare il modellare importanti materiali morbidi complessi e prevederne i comportamenti.
È stato pubblicato in npj Computational Materials , un diario ad accesso aperto di Nature , e non solo promette di consentire nuove scoperte nei biomateriali, ma sottolinea la crescente importanza dei big data, dell'intelligenza artificiale e delle scienze computazionali nell'ingegneria chimica.
Queste innovazioni assistite dal computer sono fondamentali per fare progressi in una vasta gamma di campi, ha affermato Deshmukh. "Ci sono problemi scientifici di vecchia data che non possono essere risolti con i metodi esistenti, quindi la risoluzione dei problemi e lo sviluppo di nuovi metodi vanno di pari passo."
I ricercatori hanno sviluppato il loro metodo di "apprendimento profondo" per lavorare con quelli che vengono chiamati "materiali morbidi".
Nel deep learning, i sistemi di intelligenza artificiale vengono addestrati a riconoscere schemi, lavorare sui problemi ed eseguire compiti, con o senza supervisione umana. I materiali morbidi possono includere liquidi, polimeri, glicomateriali, schiume, gel e la maggior parte dei materiali biologici morbidi. Sono utilizzati in un'ampia gamma di prodotti e applicazioni, da dentifrici, lubrificanti e display a cristalli liquidi a sistemi di somministrazione di farmaci e scaffold per tessuti. Ma i metodi computazionali tradizionali per analizzare e prevedere i loro comportamenti, in particolare i polimeri, hanno un'utilità limitata, ostacolando il progresso nel loro sviluppo.
Per aiutare a rompere questo inceppamento, i ricercatori hanno lavorato con un tipo di polimeri ramificati, simili ad alberi, chiamati "spazzolini da bottiglia". La loro ispirazione è venuta dalle biomolecole, le cui diverse forme determinano le loro funzioni. La loro sintesi in laboratorio potrebbe portare a nuovi trattamenti medici e altre applicazioni del settore, ha affermato Deshmukh. Ma può essere difficile perché i polimeri cambiano forma rapidamente, a seconda della temperatura e di altri fattori. Senza un modo efficiente e accurato per analizzare e prevedere tali modifiche, creare versioni sintetiche è difficile.
Il loro nuovo processo utilizza un noto sistema di apprendimento profondo chiamato Convolutional Neural Network, o CNN, per identificare e prevedere somiglianze nella forma e nella funzione nei polimeri, cosa che non può essere fatta senza l'assistenza del computer.
L'applicazione dell'intelligenza artificiale a questo problema dei polimeri è "innovativa perché mostra il potenziale dei metodi di apprendimento profondo nel campo dei materiali morbidi", ha affermato Deshmukh. "Quindi, in linea di principio, se comprendiamo come stanno cambiando le forme, speriamo di poterle controllare."
Per dimostrare che il loro metodo avrebbe funzionato, Joshi ha eseguito 100 modelli CNN unici, insegnando al sistema a identificare scovolini con forme simili. Il progetto è stato impegnativo, non solo perché richiedeva un lavoro scrupoloso per insegnare al modello quali dati e caratteristiche cercare nei polimeri, ma anche perché i ricercatori non sapevano immediatamente quali caratteristiche fossero rilevanti. Dovevano capirlo prima.
Lo sviluppo dei modelli ha richiesto più di un anno, ha detto Deshmukh. "Singh e Joshi hanno svolto un lavoro fantastico nell'identificare l'elaborazione dei dati rilevanti e poi perfezionarli ulteriormente per assicurarsi che il modello della CNN ottenga le informazioni corrette."
"La maggior parte del brainstorming iniziale su quali funzionalità utilizzare è stato svolto dal dottor Singh e dal dottor Deshmukh, che hanno contribuito a eliminare molte opzioni sfavorevoli", ha detto Joshi. "Questo ci ha aiutato a concentrarci sulla nostra metodologia attuale, che ho usato per codificare e incorporare nel nostro algoritmo di analisi."
I risultati sono stati molto promettenti, ha affermato Joshi, e il team spera di espandere l'uso della tecnica nel campo in crescita dei glicomateriali, materiali morbidi a base di carboidrati prodotti da ogni organismo vivente.
Questi materiali morbidi contengono catene di zuccheri, chiamati glicani, che svolgono ruoli critici nella salute e nella malattia. Dei quattro elementi costitutivi della vita - glicani, proteine, lipidi e acidi nucleici - i glicani sono i più complessi e i più difficili da capire. Ma la CNN potrebbe stimolare il progresso in questo settore.
"Quindi, proprio come abbiamo creato queste strutture a scovolino per polimeri sintetici, ci sono molte architetture che possono essere create utilizzando glicomateriali e polimeri come questi glicani", ha affermato Deshmukh.
"Abbiamo in programma di aiutare i nostri collaboratori a progettare nuovi tipi di glicomateriali che possono essere utilizzati per applicazioni biomediche", ha affermato Deshmukh. "È davvero eccitante."
Questa ricerca sottolinea anche la crescente importanza della scienza dei dati e dell'apprendimento automatico nell'ingegneria chimica, ha affermato il capo dipartimento Steven Wrenn.
"È importante che i nostri laureati sappiano come lavorare con i data scientist e utilizzare la modellazione al computer nel proprio lavoro", ha affermato Wrenn. "Questa formazione renderà i nostri studenti molto più attraenti per i datori di lavoro e i programmi di laurea."
In effetti, il dipartimento sta lavorando a un nuovo corso di studi in computazione e scienza dei dati, che, se approvato, formerà gli studenti universitari ad applicare l'informatica all'ingegneria chimica. Deshmukh è coinvolto nello sviluppo del percorso di studio.
"Formare un ingegnere chimico che lavorerà in un impianto chimico in scienza dei dati e intelligenza artificiale li rende una vera risorsa", ha detto Deshmukh. "Perché aiuteranno a risolvere problemi nell'industria chimica che non possono essere risolti utilizzando i metodi tradizionali". + Esplora ulteriormente
