Editor | 포토스
나노입자의 의료, 제약, 산업분야에서의 실용화를 위해서는 재료의 관점에서 각 나노입자의 특성과 응집상태를 평가하고 품질관리를 실시하는 것이 필요합니다
액체의 나노입자를 평가하는 한 가지 방법은 브라운 운동의 궤적을 분석하는 것입니다. 나노 추적 분석(NTA)은 마이크로부터 나노 규모까지 개별 입자를 측정하는 간단한 방법이지만 나노 입자의 모양을 평가할 수 없다는 문제는 오랫동안 문제가 되어 왔습니다. NTA는 Stokes-Einstein 방정식을 사용하여 입자 크기를 정량화할 때 항상 구형성을 가정하지만 측정된 입자가 실제로 구형인지 여부는 확인할 수 없습니다.
도쿄대학교 연구팀은 아인슈타인 시대부터 존재했던 나노입자 평가 문제를 해결하기 위해 나노입자의 형상 이방성 특성을 평가하는 새로운 방법을 제안했습니다.
연구원들은 NTA 측정에서 얻은 브라운 운동의 시계열 궤적 데이터를 사용하여 나노입자의 모양을 예측하는 딥러닝(DL) 모델을 구축했습니다. 궤적 분석을 위해 앙상블 모델을 사용함으로써 딥러닝 모델은 전통적인 NTA가 개별적으로 구별할 수 없는 거의 동일한 크기이지만 모양이 다른 두 개의 금 나노입자에 대해 약 80%의 단일 입자 분류 정확도를 달성할 수 있었습니다.
또한 나노입자 혼합 시료의 측정 데이터를 기반으로 구형 나노입자와 막대형 나노입자의 혼합 비율을 정량적으로 추정할 수 있다는 연구 결과도 있습니다. 이 결과는 나노입자 추적 분석(NTA) 측정에 동적 광산란 분석(DL)을 적용하면 이전에는 불가능하다고 생각되었던 입자의 형상 평가가 가능함을 보여줍니다
이 연구는 APL Machine Learning에 게재되었습니다. "딥러닝을 이용한 비구형 나노입자의 브라운 운동 궤적 분석"에 게재
광 산란과 브라운 운동의 특성을 이용한 NTA(Nanoparticle Tracking Analysis)는 액체 현탁액을 측정하는 방법입니다. 중간 샘플의 크기 분포는 상업적으로 널리 사용되었습니다. NTA는 입자의 직경을 계산하기 위해 100여년 전에 아인슈타인이 제안한 이론식을 사용합니다. 브라운 운동의 궤적은 입자의 모양에 대한 영향을 반영하지만 실제로는 극도로 빠른 운동을 측정하기가 어렵습니다. 더욱이, 입자가 구형이 아니더라도 기존의 분석 방법은 무조건 입자를 구형이라고 가정하고 스톡스-아인슈타인 방정식을 사용하여 분석하기 때문에 부정확합니다.
그러나 대규모 데이터에서 숨겨진 상관관계를 찾는 데 능숙한 딥러닝을 사용하면 측정 데이터가 평균이거나 분리할 수 없는 오류가 포함되어 있어도 모양 차이로 인한 차이를 감지할 수 있습니다.
도쿄대학교 이치키 다카노리 교수가 이끄는 연구팀이 딥러닝 모델 개발에 성공했습니다. 이 모델은 실험 방법을 변경할 필요 없이 측정된 브라운 운동 궤적 데이터에서 모양을 식별할 수 있습니다. 데이터의 시계열 변화와 주변 환경과의 상관성을 동시에 고려하기 위해 1D CNN(1차원 CNN) 모델을 사용하여 국소 특징을 추출하고 이를 시간적 동적 집계 기능을 갖춘 양방향 LSTM 모델과 결합했습니다.
형상 추정 모델의 개발은 일반적으로 원시 데이터 수집의 NTA 측정, 딥 러닝을 위한 데이터 세트 및 모델 생성, 마지막으로 딥 러닝 훈련의 세 단계로 구성됩니다.
그림: 1차원 구조 CNN+Bi-LSTM 딥러닝 모델. (출처: 논문)
4가지 모델(MLP, LSTM, 1D CNN 및 1D CNN+Bi-LSTM)을 각각 변경하여 다양한 궤적 길이(20, 40, 60, 80 및 100 프레임)의 시계열 데이터를 사용하여 연구합니다. 학습의 수렴을 검증하기 위해 프레임 개수의 하이퍼파라미터를 사용합니다. LSTM과 1D CNN 모델 모두 100 프레임에서 정확도가 80% 이상으로 컨볼루션 추출을 통한 형상 특징 추출과 시간적 동적 축적이 모두 가능함을 알 수 있습니다. 동시에, 높은 정확도는 액체 내 나노입자의 형상 분류가 NTA 및 DL을 사용한 단일 입자 분석의 현실적인 수준에 도달했음을 보여줍니다.
그림: 형상 분류 평가 지표 및 프레임 수 (출처: 논문)딥러닝 분석을 통해 액체 속 개별 나노입자를 모양에 따라 분류하는 데 성공했고, 정확도가 매우 높아 실용적인 수준에 이르렀습니다. 한편, 본 연구에서는 구형 나노입자와 막대형 나노입자 혼합 용액의 혼합 비율을 결정하기 위한 검량선도 구축하였다. 현재 알려진 나노입자 형태의 유형을 고려할 때, 우리는 이 방법이 나노입자의 형태를 효과적으로 감지할 수 있다고 믿습니다
그림: NTA 기술을 사용하여 브라운 운동 결과를 측정하는 미세 모세관 칩을 사용한 입자 분석 시스템의 입자 크기 분포를 얻습니다. 혼합물. (인용: 종이)
기존 NTA 방법은 입자의 형태를 직접적으로 관찰할 수 없으며, 얻어지는 특성 정보도 제한적입니다. DL 방법을 사용하면 수화 직경이 동일하고 모양이 다른 입자라도 궤도를 기준으로 혼합물과 구별할 수 있습니다.
이 연구에서는 두 입자의 모양을 결정하려고 시도했지만 시중에서 판매되는 나노 입자의 모양 유형을 고려할 때 이 방법이 균질 시스템에서 이물질을 감지하는 것과 같은 실용적인 응용 프로그램에 사용될 수 있다고 생각했습니다. NTA의 확장은 연구뿐만 아니라 비구형 나노입자의 특성, 응집 상태 및 균질성 평가, 품질 관리 등 산업 분야에도 적용될 수 있습니다.
연구원들은 "입자의 측정 대상을 다양한 모양과 재료로 확장하는 것은 흥미로운 연구 방향이 될 것이며, 향후 연구 주제는 DL+NTA 방법의 적용 가능성을 테스트하는 것이 될 것입니다."라고 말했습니다.
Special 네, 생체와 유사한 환경에서 세포밖 소포체 등 다양한 생물학적 나노입자의 특성을 평가하는 솔루션이 될 것으로 기대된다. 또한 액체 내 비구형 입자의 브라운 운동에 대한 기초 연구를 위한 혁신적인 방법이 될 가능성이 있습니다.
논문 링크: https://doi.org/10.1063/5.0160979
참고 내용: https://phys.org/news/2023-10-deep-long-standing-identification-nanoparticle.html
위 내용은 딥 러닝은 80%의 정확도로 브라운 운동에서 나노입자 형태를 식별합니다.의 상세 내용입니다. 자세한 내용은 PHP 중국어 웹사이트의 기타 관련 기사를 참조하세요!