• Home
  • Química
  • Astronomía
  • Energía
  • Naturaleza
  • Biología
  • Física
  • Electrónica
  • El aprendizaje automático se asoma a los nanoacuarios

    El esquema muestra una versión simplificada de los pasos tomados por los investigadores para conectar la microscopía electrónica en fase líquida y el aprendizaje automático para producir una salida de datos optimizada que es menos tediosa de procesar que los métodos anteriores. Crédito:ACS y el grupo Qian Chen

    En el nanomundo partículas diminutas como las proteínas parecen bailar mientras se transforman y ensamblan para realizar diversas tareas mientras están suspendidas en un líquido. Los métodos desarrollados recientemente han hecho posible observar y grabar estos pequeños movimientos que de otro modo serían esquivos, y los investigadores ahora dan un paso adelante al desarrollar un flujo de trabajo de aprendizaje automático para agilizar el proceso.

    El nuevo estudio, dirigido por Qian Chen, profesor de ciencia e ingeniería de materiales en la Universidad de Illinois, Urbana-Champaign, se basa en su trabajo anterior con microscopía electrónica de fase líquida y se publica en la revista Ciencia Central ACS .

    Ser capaz de ver y registrar los movimientos de las nanopartículas es esencial para comprender una variedad de desafíos de ingeniería. Microscopía electrónica de fase líquida, que permite a los investigadores observar cómo las nanopartículas interactúan dentro de pequeños recipientes de muestras parecidos a un acuario, es útil para la investigación en medicina, sostenibilidad energética y medioambiental y en la fabricación de metamateriales, para nombrar unos pocos. Sin embargo, es difícil interpretar el conjunto de datos, dijeron los investigadores. Los archivos de video producidos son grandes, lleno de información temporal y espacial, y son ruidosos debido a las señales de fondo; en otras palabras, requieren mucho procesamiento y análisis de imágenes tediosos.

    "Desarrollar un método incluso para ver estas partículas fue un gran desafío, "Dijo Chen." Descubrir cómo obtener de manera eficiente las piezas de datos útiles de un mar de valores atípicos y ruido se ha convertido en el nuevo desafío ".

    Para afrontar este problema, el equipo desarrolló un flujo de trabajo de aprendizaje automático que se basa en una red neuronal artificial que imita, en parte, la potencia de aprendizaje del cerebro humano. El programa se basa en una red neuronal existente, conocido como U-Net, que no requiere características hechas a mano o entradas predeterminadas y ha producido avances significativos en la identificación de características celulares irregulares utilizando otros tipos de microscopía, los informes del estudio.

    Crédito:Universidad de Illinois en Urbana-Champaign

    "Nuestro nuevo programa procesó información para tres tipos de dinámica a nanoescala, incluido el movimiento, reacción química y autoensamblaje de nanopartículas, ", dijo el autor principal y estudiante de posgrado Lehan Yao. Estos representan los escenarios y desafíos que hemos encontrado en el análisis de videos de microscopía electrónica de fase líquida".

    Los investigadores recopilaron mediciones de aproximadamente 300, 000 pares de nanopartículas que interactúan, los informes del estudio.

    Como se encontró en estudios anteriores del grupo de Chen, el contraste sigue siendo un problema al obtener imágenes de ciertos tipos de nanopartículas. En su trabajo experimental, el equipo usó partículas hechas de oro, que es fácil de ver con un microscopio electrónico. Sin embargo, partículas con pesos elementales o moleculares más bajos como proteínas, Los polímeros plásticos y otras nanopartículas orgánicas muestran un contraste muy bajo cuando se ven bajo un haz de electrones. Chen dijo.

    "Aplicaciones biológicas, como la búsqueda de vacunas y medicamentos, subrayar la urgencia de nuestro impulso para que nuestra técnica esté disponible para obtener imágenes de biomoléculas, ", dijo." Hay interacciones críticas a nanoescala entre los virus y nuestro sistema inmunológico, entre las drogas y el sistema inmunológico, y entre la droga y el virus mismo que hay que entender. El hecho de que nuestro nuevo método de procesamiento nos permita extraer información de las muestras, como se demuestra aquí, nos prepara para el siguiente paso de los sistemas de aplicación y modelo ".

    El equipo ha puesto a disposición del público el código fuente del programa de aprendizaje automático utilizado en este estudio a través de la sección de información complementaria del nuevo documento. "Creemos que poner el código a disposición de otros investigadores puede beneficiar a toda la comunidad de investigación de nanomateriales, "Dijo Chen.


    © Ciencia https://es.scienceaq.com