O Centro de Inovação da NanoMedicina anunciou com a Universidade de Tóquio que um grupo liderado pelo Prof. Takanori Ichiki, Diretor de Pesquisa da iCONM, propôs um novo método de avaliação de propriedades da anisotropia da forma de nanopartículas que resolve problemas de longa data na avaliação de nanopartículas que datam de A época de Einstein.



O artigo, intitulado "Análise de trajetórias de movimento browniano de nanopartículas não esféricas usando aprendizado profundo" foi publicado on-line em APL Machine Learning .

Nesta era em que novos tratamentos médicos e tecnologias de diagnóstico utilizando vesículas extracelulares e nanopartículas artificiais estão atraindo a atenção, as nanopartículas são materiais úteis nos campos médico, farmacêutico e industrial. Do ponto de vista dos materiais, é necessário avaliar as propriedades e o estado de aglomeração de cada nanopartícula e realizar o controle de qualidade, e espera-se progresso na tecnologia de avaliação de nanopartículas que apoie a segurança e a confiabilidade.

Uma forma de avaliar nanopartículas em líquido é analisar a trajetória do movimento browniano. Chamado NTA, calcula o diâmetro de uma partícula usando uma fórmula teórica descoberta por Einstein há mais de 100 anos. Embora seja usado como um método simples para medir partículas únicas de tamanho micro a nano, existe um problema antigo de que ele não consegue avaliar a forma das nanopartículas.

A trajetória do movimento browniano reflete a influência do formato das partículas, mas é difícil medir realmente o movimento extremamente rápido. Além disso, mesmo que a partícula seja não esférica, os métodos de análise convencionais não são precisos porque assumem incondicionalmente que a partícula é esférica e utilizam a equação de Stokes-Einstein para análise.

No entanto, usando o aprendizado profundo, que é bom para encontrar correlações ocultas em dados de grande escala, é possível detectar diferenças causadas por diferenças na forma que podem ser detectadas, mesmo quando os dados de medição são calculados em média ou contêm erros que não podem ser separados.

O grupo de pesquisa do professor Takanori Ichiki conseguiu construir um modelo de aprendizado profundo que identifica formas a partir de dados medidos de trajetória de movimento browniano sem alterar o método experimental. Para levar em conta não apenas as mudanças nas séries temporais dos dados, mas também a correlação com o ambiente circundante, eles integraram um modelo CNN unidimensional que é bom para extrair características locais por meio de convolução e um modelo LSTM bidirecional que pode acumular dados temporais. dinâmica.

Através da análise de trajetória usando o modelo integrado, eles conseguiram alcançar uma precisão de classificação de aproximadamente 80% em uma única partícula para dois tipos de nanopartículas de ouro que são aproximadamente do mesmo tamanho, mas têm formatos diferentes, que não podem ser distinguidos usando apenas NTA convencional.

Essa alta precisão indica que a classificação da forma de nanopartículas individuais em líquido usando análise de aprendizagem profunda atingiu um nível prático pela primeira vez. Além disso, no artigo, foi criada uma curva de calibração para determinar a proporção de mistura de uma solução mista de dois tipos de nanopartículas (esféricas e em forma de bastonete). Considerando os tipos de formatos de nanopartículas disponíveis no mundo, acredita-se que este método possa detectar suficientemente o formato.

Com os métodos convencionais de NTA, a forma da partícula não pode ser observada diretamente e a informação característica obtida foi limitada. Embora a trajetória do movimento browniano (dados de coordenadas de séries temporais) medida pelo dispositivo NTA contenha informações sobre a forma das nanopartículas, porque o tempo de relaxamento é extremamente curto, tem sido difícil detectar realmente a anisotropia da forma das nanopartículas. Além disso, nos métodos convencionais de análise, mesmo que a partícula seja não esférica, ela não é precisa devido ao fator de forma não ser aplicado, pois é considerada esférica e analisada pela equação de Stokes-Einstein.

Os pesquisadores buscaram um novo método que qualquer pessoa pudesse implementar e foram capazes de resolver um problema antigo na análise de movimento browniano, introduzindo o aprendizado profundo, que é bom para encontrar correlações ocultas em dados de grande escala, na análise de dados sem alterar simples Métodos experimentais.

Neste artigo, eles tentaram determinar as formas de dois tipos de partículas, mas considerando os tipos de formas das nanopartículas disponíveis comercialmente, eles acham que este método pode ser utilizado em aplicações práticas, como a detecção de substâncias estranhas em sistemas homogêneos. A expansão do NTA levará a aplicações não apenas em pesquisa, mas também nas áreas industrial e industrial, como avaliação de propriedades, estado de aglomeração e uniformidade de nanopartículas que não são necessariamente esféricas, e controle de qualidade.

Em particular, espera-se que seja uma solução para avaliar as propriedades de diversas nanopartículas biológicas, tais como vesículas extracelulares, num ambiente semelhante ao dos organismos vivos. Também tem potencial para ser uma abordagem inovadora na pesquisa fundamental sobre o movimento browniano de partículas não esféricas em líquidos.

Mais informações: Análise de trajetórias de movimento browniano de nanopartículas não esféricas usando aprendizagem profunda, APL Machine Learning (2023). DOI:10.1063/5.0160979
Fornecido pelo Centro de Inovação da NanoMedicina