• Home
  • Chimica
  • Astronomia
  • Energia
  • Natura
  • Biologia
  • Fisica
  • Elettronica
  • L’apprendimento profondo risolve le sfide di lunga data nell’identificazione della forma delle nanoparticelle
    Schema di previsione della forma delle nanoparticelle. Crediti:Dipartimento di Ingegneria dei Materiali, Scuola di specializzazione in Ingegneria, Università di Tokyo

    Il Centro di Innovazione di NanoMedicina ha annunciato con l'Università di Tokyo che un gruppo guidato dal Prof. Takanori Ichiki, Direttore della ricerca di iCONM, ha proposto un nuovo metodo di valutazione delle proprietà dell'anisotropia della forma delle nanoparticelle che risolve problemi di lunga data nella valutazione delle nanoparticelle che risalgono al Il tempo di Einstein.



    L'articolo, intitolato "Analysis of Brownian motion trajectories of non-spherical nanoparticles using deep learning" è stato pubblicato online su APL Machine Learning .

    In quest’era in cui nuovi trattamenti medici e tecnologie diagnostiche che utilizzano vescicole extracellulari e nanoparticelle artificiali stanno attirando l’attenzione, le nanoparticelle sono materiali utili in campo medico, farmaceutico e industriale. Dal punto di vista dei materiali, è necessario valutare le proprietà e lo stato di agglomerazione di ciascuna nanoparticella ed eseguire il controllo di qualità, e sono previsti progressi nella tecnologia di valutazione delle nanoparticelle che supporta la sicurezza e l'affidabilità.

    Un modo per valutare le nanoparticelle nel liquido è analizzare la traiettoria del moto browniano. Chiamato NTA, calcola il diametro di una particella utilizzando una formula teorica scoperta da Einstein oltre 100 anni fa. Sebbene sia utilizzato come metodo semplice per misurare singole particelle dalle dimensioni micro alle nano, da molto tempo esiste il problema che non è in grado di valutare la forma delle nanoparticelle.

    La traiettoria del moto browniano riflette l'influenza della forma delle particelle, ma è difficile misurare effettivamente un movimento estremamente veloce. Inoltre, anche se la particella non è sferica, i metodi di analisi convenzionali non sono accurati perché presuppongono incondizionatamente che la particella sia sferica e utilizzano l'equazione di Stokes-Einstein per l'analisi.

    Tuttavia, utilizzando il deep learning, che è efficace nel trovare correlazioni nascoste nei dati su larga scala, è possibile rilevare differenze causate da differenze di forma, anche quando viene calcolata la media dei dati di misurazione o contengono errori che non possono essere separati.

    Il gruppo di ricerca del Prof. Takanori Ichiki è riuscito a costruire un modello di deep learning che identifica le forme dai dati misurati della traiettoria del movimento browniano senza modificare il metodo sperimentale. Per tenere conto non solo dei cambiamenti delle serie temporali nei dati ma anche della correlazione con l'ambiente circostante, hanno integrato un modello CNN unidimensionale che è efficace nell'estrarre caratteristiche locali attraverso la convoluzione e un modello LSTM bidirezionale che può accumulare dati temporali dinamica.

    Attraverso l’analisi della traiettoria utilizzando il modello integrato, sono stati in grado di raggiungere una precisione di classificazione di circa l’80% su base singola particella per due tipi di nanoparticelle d’oro che hanno approssimativamente la stessa dimensione ma hanno forme diverse, che non possono essere distinte utilizzando la sola NTA convenzionale.

    Una precisione così elevata indica che la classificazione della forma di singole nanoparticelle nel liquido mediante l’analisi del deep learning ha raggiunto per la prima volta un livello pratico. Inoltre, nel documento, è stata creata una curva di calibrazione per determinare il rapporto di miscelazione di una soluzione mista di due tipi di nanoparticelle (sferiche e a forma di bastoncino). Considerando i tipi di forma delle nanoparticelle disponibili nel mondo, si ritiene che questo metodo possa rilevarne sufficientemente la forma.

    Con i metodi NTA convenzionali, la forma delle particelle non può essere osservata direttamente e le informazioni caratteristiche ottenute erano limitate. Sebbene la traiettoria del moto browniano (dati di coordinate di serie temporali) misurata dal dispositivo NTA contenga informazioni sulla forma delle nanoparticelle, poiché il tempo di rilassamento è estremamente breve, è stato difficile rilevare effettivamente l'anisotropia della forma delle nanoparticelle. Inoltre, nei metodi di analisi convenzionali, anche se la particella non è sferica, non è accurata a causa della mancata applicazione del fattore di forma, poiché si presume che sia sferica e analizzata utilizzando l'equazione di Stokes-Einstein.

    I ricercatori miravano a un nuovo metodo che chiunque può implementare e sono stati in grado di risolvere un problema di vecchia data nell’analisi del movimento browniano introducendo nell’analisi dei dati l’apprendimento profondo, che è utile per trovare correlazioni nascoste in dati su larga scala, senza modificare semplici metodi sperimentali.

    In questo articolo, hanno tentato di determinare le forme di due tipi di particelle, ma considerando i tipi di forme delle nanoparticelle disponibili in commercio, pensano che questo metodo possa essere utilizzato in applicazioni pratiche come il rilevamento di sostanze estranee in sistemi omogenei. L'espansione dell'NTA porterà ad applicazioni non solo nella ricerca ma anche in campo industriale e industriale, come la valutazione delle proprietà, dello stato di agglomerazione e dell'uniformità delle nanoparticelle che non sono necessariamente sferiche e il controllo di qualità.

    In particolare, si prevede che costituirà una soluzione per valutare le proprietà di diverse nanoparticelle biologiche come le vescicole extracellulari in un ambiente simile a quello degli organismi viventi. Ha anche il potenziale per rappresentare un approccio innovativo nella ricerca fondamentale sul moto browniano delle particelle non sferiche nei liquidi.

    Ulteriori informazioni: Analisi delle traiettorie di movimento browniano di nanoparticelle non sferiche utilizzando il deep learning, APL Machine Learning (2023). DOI:10.1063/5.0160979

    Fornito dal Centro Innovazione di NanoMedicina




    © Scienza https://it.scienceaq.com