Nel nanomondo, minuscole particelle come le proteine ​​sembrano danzare mentre si trasformano e si assemblano per svolgere vari compiti mentre sono sospese in un liquido. I metodi sviluppati di recente hanno reso possibile osservare e registrare questi minuscoli movimenti altrimenti sfuggenti, e i ricercatori ora fanno un passo avanti sviluppando un flusso di lavoro di apprendimento automatico per semplificare il processo.

Il nuovo studio, guidato da Qian Chen, un professore di scienza e ingegneria dei materiali presso l'Università dell'Illinois, Urbana-Champaign, si basa sul suo lavoro passato con la microscopia elettronica in fase liquida ed è pubblicato sulla rivista Scienze Centrali ACS .

Essere in grado di vedere e registrare i movimenti delle nanoparticelle è essenziale per comprendere una serie di sfide ingegneristiche. Microscopia elettronica in fase liquida, che consente ai ricercatori di osservare le nanoparticelle interagire all'interno di minuscoli contenitori per campioni simili a un acquario, è utile per la ricerca in medicina, sostenibilità energetica e ambientale e nella fabbricazione di metamateriali, per dirne alcuni. Però, è difficile interpretare il set di dati, hanno detto i ricercatori. I file video prodotti sono di grandi dimensioni, pieno di informazioni temporali e spaziali, e sono rumorosi a causa di segnali di fondo, in altre parole, richiedono molte noiose elaborazioni e analisi delle immagini.

"Sviluppare un metodo anche per vedere queste particelle è stata una sfida enorme, " Ha detto Chen. "Capire come ottenere in modo efficiente i dati utili da un mare di valori anomali e rumore è diventata la nuova sfida".

Per affrontare questo problema, il team ha sviluppato un flusso di lavoro di apprendimento automatico basato su una rete neurale artificiale che imita, in parte, la capacità di apprendimento del cervello umano. Il programma si basa su una rete neurale esistente, noto come U-Net, che non richiede caratteristiche artigianali o input predeterminati e ha prodotto progressi significativi nell'identificazione di caratteristiche cellulari irregolari utilizzando altri tipi di microscopia, i rapporti di studio.

"Il nostro nuovo programma ha elaborato informazioni per tre tipi di dinamiche su nanoscala, tra cui movimento, reazione chimica e autoassemblaggio di nanoparticelle, " ha detto l'autore principale e studente laureato Lehan Yao. "Questi rappresentano gli scenari e le sfide che abbiamo incontrato nell'analisi dei video di microscopia elettronica in fase liquida".

I ricercatori hanno raccolto misurazioni da circa 300, 000 paia di nanoparticelle interagenti, i rapporti di studio.

Come riscontrato in studi precedenti del gruppo di Chen, il contrasto continua ad essere un problema durante l'imaging di alcuni tipi di nanoparticelle. Nel loro lavoro sperimentale, il team ha utilizzato particelle fatte di oro, che è facile da vedere con un microscopio elettronico. Però, particelle con pesi elementari o molecolari inferiori come le proteine, polimeri plastici e altre nanoparticelle organiche mostrano un contrasto molto basso se visti sotto un fascio di elettroni, disse Chen.

"Applicazioni biologiche, come la ricerca di vaccini e farmaci, sottolineare l'urgenza nella nostra spinta per avere la nostra tecnica disponibile per l'imaging di biomolecole, " ha detto. "Ci sono interazioni critiche su scala nanometrica tra i virus e il nostro sistema immunitario, tra i farmaci e il sistema immunitario, e tra il farmaco e il virus stesso che deve essere compreso. Il fatto che il nostro nuovo metodo di elaborazione ci permetta di estrarre informazioni dai campioni, come dimostrato qui, ci prepara per la fase successiva dell'applicazione e dei sistemi modello".

Il team ha reso pubblicamente disponibile il codice sorgente per il programma di apprendimento automatico utilizzato in questo studio attraverso la sezione delle informazioni supplementari del nuovo documento. "Riteniamo che rendere il codice disponibile ad altri ricercatori possa avvantaggiare l'intera comunità di ricerca sui nanomateriali, " disse Chen.