Mit einer Genauigkeit von 80 % identifiziert Deep Learning Nanopartikelformen in der Brownschen Bewegung

Herausgeber |. Pothos

Bei der praktischen Anwendung von Nanopartikeln im medizinischen, pharmazeutischen und industriellen Bereich ist es aus Sicht der Materialien notwendig, die Eigenschaften und den Agglomerationszustand jedes Nanopartikels zu bewerten und eine Qualitätskontrolle durchzuführen

Eine Möglichkeit, Nanopartikel in Flüssigkeiten zu bewerten, besteht darin, die Trajektorien der Brownschen Bewegung zu analysieren. Obwohl die Nano-Tracking-Analyse (NTA) eine einfache Methode zur Messung einzelner Partikel im Mikro- bis Nanomaßstab ist, ist ihre Unfähigkeit, die Form von Nanopartikeln zu beurteilen, seit langem ein Problem. NTA geht bei der Quantifizierung der Partikelgröße mithilfe der Stokes-Einstein-Gleichung immer von Sphärizität aus, kann jedoch nicht überprüfen, ob die gemessenen Partikel tatsächlich kugelförmig sind.

Ein Forschungsteam der Universität Tokio hat eine neue Methode zur Bewertung der formanisotropen Eigenschaften von Nanopartikeln vorgeschlagen und damit ein Problem der Nanopartikelbewertung gelöst, das seit Einsteins Zeiten besteht.

Die Forscher erstellten ein Deep-Learning-Modell (DL), um die Form von Nanopartikeln anhand von Zeitreihen-Trajektoriendaten der Brownschen Bewegung aus NTA-Messungen vorherzusagen. Durch die Verwendung des Ensemble-Modells für die Trajektorienanalyse konnte das Deep-Learning-Modell eine Einzelpartikel-Klassifizierungsgenauigkeit von etwa 80 % für zwei Gold-Nanopartikel von ungefähr derselben Größe, aber unterschiedlichen Formen erreichen, die herkömmliche NTA nicht einzeln unterscheiden kann.

Darüber hinaus zeigen Untersuchungen, dass das Mischungsverhältnis von kugelförmigen Nanopartikeln und stäbchenförmigen Nanopartikeln anhand von Messdaten von Nanopartikel-Mischproben quantitativ abgeschätzt werden kann. Dieses Ergebnis zeigt, dass es durch die Anwendung der dynamischen Lichtstreuungsanalyse (DL) auf Messungen der Nanopartikel-Tracking-Analyse (NTA) möglich ist, die Form von Partikeln zu bewerten, was bisher für unmöglich gehalten wurde

Diese Forschung wurde in APL Machine Learning veröffentlicht. Veröffentlicht am: „Using Deep Learning to Analyze Brownian Motion Trajectories of Non-spherical Nanoparticles“ Die Größenverteilung mittlerer Proben wird in großem Umfang kommerziell genutzt. NTA verwendete die von Einstein vor mehr als 100 Jahren vorgeschlagene theoretische Formel, um den Durchmesser des Teilchens zu berechnen. Die Flugbahn der Brownschen Bewegung spiegelt den Einfluss der Form des Teilchens wider, aber in der Praxis ist es schwierig, extrem schnelle Bewegungen zu messen. Darüber hinaus sind traditionelle Analysemethoden ungenau, selbst wenn die Partikel nicht kugelförmig sind, da sie unbedingt davon ausgehen, dass die Partikel kugelförmig sind, und für die Analyse die Stokes-Einstein-Gleichungen verwenden.

Allerdings ist es mit Deep Learning, das gut darin ist, versteckte Korrelationen in umfangreichen Daten zu finden, möglich, durch Formunterschiede verursachte Unterschiede zu erkennen, selbst wenn die Messdaten durchschnittlich sind oder Fehler enthalten, die nicht getrennt werden können.

Ein Forschungsteam unter der Leitung von Professor Takanori Ichiki von der Universität Tokio hat erfolgreich ein Deep-Learning-Modell entwickelt. Dieses Modell kann Formen aus gemessenen Brownschen Bewegungstrajektoriendaten identifizieren, ohne dass Änderungen an experimentellen Methoden erforderlich sind. Um gleichzeitig die Zeitreihenänderungen von Daten und die Korrelation mit der Umgebung zu berücksichtigen, verwendeten sie ein eindimensionales Convolutional Neural Network (1D CNN)-Modell zur Extraktion lokaler Merkmale und kombinierten es mit einem bidirektionalen LSTM-Modell mit zeitlich dynamischen Aggregationsfähigkeiten

Die Entwicklung von Formschätzungsmodellen besteht normalerweise aus drei Phasen: Zuerst NTA-Messungen der Rohdatenerfassung, dann Erstellung von Datensätzen und Modellen für Deep Learning und schließlich Deep Learning-Training

Abbildung: Eindimensionale Struktur von CNN+Bi-LSTM Deep-Learning-Modell. (Quelle: Papier)

Studie mit Zeitreihendaten unterschiedlicher Trajektorienlängen (20, 40, 60, 80 und 100 Frames) durch Änderung jedes der vier Modelle (MLP, LSTM, 1D CNN und 1D CNN+Bi-LSTM) Die Hyperparameter der Anzahl der Frames werden verwendet, um die Konvergenz des Lernens zu überprüfen. Die Genauigkeit sowohl des LSTM- als auch des 1D-CNN-Modells liegt bei über 80 % bei 100 Frames, was zeigt, dass sowohl die lokale Merkmalsextraktion als auch die zeitliche dynamische Akkumulation durch Faltung Formmerkmale extrahieren. Gleichzeitig zeigt die hohe Genauigkeit, dass die Formklassifizierung von Nanopartikeln in Flüssigkeiten das realistische Niveau der Einzelpartikelanalyse mit NTA und DL erreicht hat. Abbildung: Bewertungsindikatoren für die Formklassifizierung und Anzahl der Frames jedes Deep-Learning-Modell. (Quelle: Papier)

Nach einer Deep-Learning-Analyse konnten wir einzelne Nanopartikel in Flüssigkeiten erfolgreich nach ihrer Form klassifizieren, und die Genauigkeit war sehr hoch und erreichte ein praktisches Niveau. Mittlerweile haben wir in dieser Studie auch eine Kalibrierungskurve zur Bestimmung des Mischungsverhältnisses der Mischlösung aus kugelförmigen und stäbchenförmigen Nanopartikeln erstellt. In Anbetracht der derzeit bekannten Arten von Nanopartikelformen glauben wir, dass diese Methode die Form von Nanopartikeln effektiv erkennen kann die Mischung. (Zitiert aus: Papier)

Die traditionelle NTA-Methode kann die Form von Partikeln nicht direkt beobachten und die erhaltenen charakteristischen Informationen sind begrenzt. Mithilfe der DL-Methode können sogar Partikel unterschiedlicher Form mit demselben hydratisierten Durchmesser anhand ihrer Flugbahnen aus Gemischen unterschieden werden.

In der Studie versuchten sie, die Form beider Partikel zu bestimmen. Angesichts der Formen kommerziell erhältlicher Nanopartikel gingen sie jedoch davon aus, dass diese Methode für praktische Anwendungen eingesetzt werden könnte, beispielsweise zum Nachweis von Fremdkörpern in homogenen Systemen. Die Erweiterung von NTA kann nicht nur in der Forschung, sondern auch in der Industrie angewendet werden, beispielsweise zur Bewertung der Eigenschaften, des Agglomerationszustands und der Homogenität nichtsphärischer Nanopartikel sowie zur Qualitätskontrolle.

Die Forscher sagten: „Es wird eine interessante Forschungsrichtung sein, die Messobjekte von Partikeln auf verschiedene Formen und Materialien auszudehnen, und zukünftige Forschungsthemen werden darin bestehen, die Anwendbarkeit der DL+NTA-Methode zu testen

Besonderes Ja.“ Es verspricht eine Lösung zur Bewertung der Eigenschaften verschiedener biologischer Nanopartikel, wie etwa extrazellulärer Vesikel, in einer Umgebung zu sein, die der von lebenden Organismen ähnelt. Es hat auch das Potenzial, eine innovative Methode für die Grundlagenforschung zur Brownschen Bewegung nichtsphärischer Teilchen in Flüssigkeiten zu werden.

Link zum Papier: https://doi.org/10.1063/5.0160979

Referenzinhalt: https://phys.org/news/2023-10-deep-long-standing-identification-nanoparticle.html

Das obige ist der detaillierte Inhalt vonMit einer Genauigkeit von 80 % identifiziert Deep Learning Nanopartikelformen in der Brownschen Bewegung. Für weitere Informationen folgen Sie bitte anderen verwandten Artikeln auf der PHP chinesischen Website!