El Centro de Innovación de NanoMedicina ha anunciado con la Universidad de Tokio que un grupo dirigido por el Prof. Takanori Ichiki, director de investigación de iCONM, propuso un nuevo método de evaluación de propiedades de la anisotropía de la forma de las nanopartículas que resuelve problemas de larga data en la evaluación de nanopartículas que se remontan a La época de Einstein.
El artículo, titulado "Análisis de trayectorias de movimiento browniano de nanopartículas no esféricas mediante aprendizaje profundo", se publicó en línea en APL Machine Learning. .
En esta era en la que están atrayendo la atención nuevos tratamientos médicos y tecnologías de diagnóstico que utilizan vesículas extracelulares y nanopartículas artificiales, las nanopartículas son materiales útiles en los campos médico, farmacéutico e industrial. Desde la perspectiva de los materiales, es necesario evaluar las propiedades y el estado de aglomeración de cada nanopartícula y realizar un control de calidad, y se esperan avances en la tecnología de evaluación de nanopartículas que respalden la seguridad y la confiabilidad.
Una forma de evaluar nanopartículas en líquido es analizar la trayectoria del movimiento browniano. Llamado NTA, calcula el diámetro de una partícula utilizando una fórmula teórica descubierta por Einstein hace más de 100 años. Aunque se utiliza como un método simple para medir partículas individuales desde tamaños micro hasta nano, existe desde hace mucho tiempo el problema de que no puede evaluar la forma de las nanopartículas.
La trayectoria del movimiento browniano refleja la influencia de la forma de las partículas, pero en realidad es difícil medir un movimiento extremadamente rápido. Además, incluso si la partícula no es esférica, los métodos de análisis convencionales no son precisos porque asumen incondicionalmente que la partícula es esférica y utilizan la ecuación de Stokes-Einstein para el análisis.
Sin embargo, utilizando el aprendizaje profundo, que es bueno para encontrar correlaciones ocultas en datos a gran escala, es posible detectar diferencias causadas por diferencias en la forma, incluso cuando los datos de medición se promedian o contienen errores que no se pueden separar. P>
El grupo de investigación del profesor Takanori Ichiki logró construir un modelo de aprendizaje profundo que identifica formas a partir de datos medidos de la trayectoria del movimiento browniano sin cambiar el método experimental. Para tener en cuenta no solo los cambios de las series temporales en los datos sino también la correlación con el entorno circundante, integraron un modelo CNN unidimensional que es bueno para extraer características locales mediante convolución y un modelo LSTM bidireccional que puede acumular datos temporales. dinámica.
A través del análisis de trayectoria utilizando el modelo integrado, pudieron lograr una precisión de clasificación de aproximadamente el 80% en una sola partícula para dos tipos de nanopartículas de oro que son aproximadamente del mismo tamaño pero tienen diferentes formas, que no se pueden distinguir usando únicamente NTA convencional.
Una precisión tan alta indica que la clasificación de la forma de nanopartículas individuales en líquido mediante análisis de aprendizaje profundo ha alcanzado un nivel práctico por primera vez. Además, en el artículo se creó una curva de calibración para determinar la proporción de mezcla de una solución mixta de dos tipos de nanopartículas (esféricas y en forma de varilla). Teniendo en cuenta los tipos de formas de nanopartículas disponibles en el mundo, se cree que este método puede detectar la forma de manera suficiente.
Con los métodos NTA convencionales, la forma de las partículas no se puede observar directamente y la información característica obtenida fue limitada. Aunque la trayectoria del movimiento browniano (datos de coordenadas de series temporales) medida por el dispositivo NTA contiene información sobre la forma de las nanopartículas, debido a que el tiempo de relajación es extremadamente corto, ha sido difícil detectar realmente la anisotropía de la forma de las nanopartículas. Además, en los métodos de análisis convencionales, incluso si la partícula no es esférica, no es exacta debido a que no se aplica el factor de forma, porque se supone que es esférica y se analiza utilizando la ecuación de Stokes-Einstein.
Los investigadores buscaron un nuevo método que cualquiera pueda implementar y lograron resolver un problema de larga data en el análisis de movimiento browniano al introducir el aprendizaje profundo, que es bueno para encontrar correlaciones ocultas en datos a gran escala, en el análisis de datos sin cambios simples. métodos experimentales.
En este artículo, intentaron determinar las formas de dos tipos de partículas, pero considerando los tipos de formas de las nanopartículas disponibles comercialmente, creen que este método puede usarse en aplicaciones prácticas como la detección de sustancias extrañas en sistemas homogéneos. La expansión de NTA conducirá a aplicaciones no sólo en investigación sino también en el campo industrial e industrial, como la evaluación de las propiedades, el estado de aglomeración y la uniformidad de nanopartículas que no son necesariamente esféricas y el control de calidad.
En particular, se espera que sea una solución para evaluar las propiedades de diversas nanopartículas biológicas, como las vesículas extracelulares, en un entorno similar al de los organismos vivos. También tiene el potencial de ser un enfoque innovador en la investigación fundamental sobre el movimiento browniano de partículas no esféricas en líquidos.
Más información: Análisis de trayectorias de movimiento browniano de nanopartículas no esféricas mediante aprendizaje profundo, APL Machine Learning (2023). DOI:10.1063/5.0160979
Proporcionado por el Centro de Innovación de NanoMedicina
