Da Orsina Fiorentini 
Il Centro di innovazione per la nanomedicina (iCONM; Direttore del centro: Kazunori Kataoka; Sede: Kawasaki, Giappone) con l’Università di Tokyo ha annunciato che un gruppo guidato dal Professor Takanori Ichiki, Direttore della ricerca di iCONM (Professore, Dipartimento di Ingegneria dei Materiali, Scuola di Specializzazione) (Il dottorato in Ingegneria dell’Università di Tokyo ha proposto un nuovo metodo per valutare l’anisotropia della forma delle nanoparticelle che risolve problemi di vecchia data nella valutazione delle nanoparticelle risalenti ai tempi di Einstein. L’articolo intitolato “Analysis of Brownian motion trajectories of non-spherical nanoparticles using deep learning” è stato pubblicato online su APL Machine Learning (Nota1) il 25 ottobre 2023.
In quest’era in cui nuovi trattamenti medici e tecniche diagnostiche che utilizzano vescicole extracellulari e nanoparticelle sintetiche stanno attirando l’attenzione, le nanoparticelle sono materiali utili in campo medico, farmaceutico e industriale. Dal punto di vista dei materiali, è necessario valutare le proprietà e lo stato di agglomerazione di ciascuna nanoparticella ed eseguire il controllo di qualità, e sono attesi progressi nella tecnologia di valutazione delle nanoparticelle che supportino la sicurezza e l’affidabilità.
Un modo per valutare le nanoparticelle in un liquido è analizzare il percorso del moto browniano. Chiamato NTA, calcola il diametro di una particella utilizzando una formula teorica scoperta da Einstein più di 100 anni fa. Sebbene utilizzato come metodo semplice per misurare singole particelle di dimensioni da micro a nano, un problema di lunga data è stata l’incapacità di valutare la forma delle nanoparticelle.
Il percorso del moto browniano riflette l’effetto della forma della particella, ma il movimento molto veloce è difficile da misurare. Inoltre, anche se la particella non è sferica, i metodi di analisi tradizionali non sono accurati perché presuppongono incondizionatamente che la particella sia sferica e utilizzano l’equazione di Stokes-Einstein per l’analisi. Tuttavia, utilizzando il deep learning, che è efficace nel trovare correlazioni nascoste in dati su larga scala, è possibile rilevare differenze derivanti da differenze di forma, anche quando i dati di misurazione sono medi o contengono errori che non possono essere separati.
Il nostro gruppo di ricerca ha costruito con successo un modello di deep learning che identifica le forme dai dati misurati della traiettoria del movimento browniano senza modificare il metodo sperimentale. Per tenere conto non solo delle variazioni delle serie temporali nei dati ma anche della correlazione con l’ambiente circostante, abbiamo combinato un modello CNN unidimensionale che è efficace nell’estrarre caratteristiche locali attraverso la convoluzione e un modello LSTM a due vie che può accumulare dinamiche temporali. Attraverso l’analisi del percorso utilizzando il modello integrato, siamo stati in grado di ottenere una precisione di classificazione di circa l’80% su base singola particella per due tipi di nanoparticelle d’oro che hanno approssimativamente la stessa dimensione ma hanno forme diverse, che sono indistinguibili utilizzando solo l’NTA convenzionale.
Questa elevata precisione indica che la classificazione della forma di singole nanoparticelle nel liquido mediante l’analisi del deep learning ha raggiunto per la prima volta un livello pratico. Inoltre, nella ricerca, è stata generata una curva di calibrazione per determinare il rapporto di miscelazione di una soluzione mista di due tipi di nanoparticelle (sferiche e a bastoncino). Considerando i tipi di forme di nanoparticelle disponibili nel mondo, si ritiene che questo metodo possa rilevarne adeguatamente la forma.
La novità di questo studio
Utilizzando i metodi NTA convenzionali, non è stato possibile osservare direttamente la forma delle particelle e le informazioni caratteristiche ottenute erano limitate. Sebbene il percorso del moto browniano (dati di coordinate della serie temporale) misurato dal dispositivo NTA contenga informazioni sulla forma delle nanoparticelle, poiché il tempo di rilassamento è molto breve, è stato difficile rilevare effettivamente la variazione della forma delle nanoparticelle. Inoltre, nei metodi di analisi tradizionali, anche se la particella è non sferica, non è precisa perché non viene applicato il fattore di forma, perché si assume che sia sferica e viene analizzata utilizzando l’equazione di Stokes-Einstein. Puntavamo a un nuovo metodo che chiunque potesse implementare e abbiamo risolto un problema di vecchia data nell’analisi del movimento browniano introducendo nell’analisi dei dati il deep learning, utile per trovare correlazioni nascoste in dati su larga scala, senza modificare semplici metodi sperimentali.
Il futuro di questo studio
In questa ricerca, abbiamo tentato di determinare le forme di due tipi di particelle, ma dati i tipi di forme di nanoparticelle disponibili in commercio, riteniamo che questo metodo possa essere utilizzato in applicazioni pratiche come il rilevamento di materiali estranei in sistemi omogenei. L’espansione dell’NTA porterà ad applicazioni non solo nella ricerca ma anche in campi industriali e sintetici, come la valutazione delle proprietà, dello stato di agglomerazione, dell’uniformità delle nanoparticelle non necessariamente sferiche e del controllo di qualità. In particolare, si prevede che sarà una soluzione per valutare le proprietà di diverse nanoparticelle biologiche come le vescicole extracellulari in un ambiente simile a quello degli organismi viventi. Ha anche il potenziale per rappresentare un approccio innovativo nella ricerca fondamentale sul moto browniano delle particelle non sferiche in un fluido.
Nota 1 APL Machine Learning (AML): l’apprendimento automatico APL dell’American Institute of Physics è caratterizzato da una ricerca vitale e tempestiva per due comunità: ricercatori che utilizzano l’apprendimento automatico (ML) e metodi basati sui dati per le scienze fisiche e le discipline correlate, e ricercatori di queste discipline che lavorano Scopri nuovi concetti, inclusi materiali, dispositivi, sistemi e algoritmi rilevanti per lo sviluppo di migliori tecniche di apprendimento automatico e intelligenza artificiale. La rivista considera anche la ricerca che descrive in modo sostanziale modelli e teorie quantitative, soprattutto se la ricerca è stata convalidata da risultati sperimentali.
Il documento che descrive questo punto di vista è il seguente:
Hiroaki Fukuda, Hiromi Kuramochi, Yasushi Shibuta e Takanori Ichiki, “Analisi delle traiettorie di movimento browniano di nanoparticelle non sferiche utilizzando l’apprendimento profondo”. APL Machine Learning, 1 (2023), in corso di stampa.
ID digitale: https://doi.org/10.1063/5.0160979
Nota 2: Analisi del tracciamento delle nanoparticelle (NTA): un metodo mediante il quale il movimento browniano viene registrato mediante imaging in campo scuro di luce diffusa ottenuta irradiando un raggio laser su una sospensione di nanoparticelle e la dimensione delle particelle di ciascuna traccia viene determinata utilizzando il metodo di Stokes-Einstein. equazione. È caratterizzato da una piccola quantità di modifiche al campione e dall’assenza di operazioni difficili.
Nota 3: Moto Browniano: Scoperto da Robert Brown nel 1827, è un fenomeno in cui minuscole particelle sospese in un liquido o gas si muovono in modo irregolare. Nel 1905, Einstein scoprì che la causa erano le collisioni irregolari di molecole di un mezzo in movimento termico (acqua, aria, ecc.), che portarono ad esperimenti che confermarono l’esistenza di atomi e molecole. In generale, il moto browniano viene analizzato utilizzando l’equazione di Stokes-Einstein, che è una combinazione della legge di Stokes, che descrive le forze che agiscono sulle particelle, e dell’equazione di Einstein.
Nota 4 CNN unidimensionale (rete neurale convoluzionale unidimensionale): un modello standard di deep learning utilizzato principalmente per l’elaborazione delle immagini. Per ciascuna caratteristica, i valori delle caratteristiche locali vengono estratti utilizzando uno strato convoluzionale e confrontati su tutta l’area di disegno, che viene quindi iterato per trovare le caratteristiche spaziali che risaltano. L’esecuzione della convoluzione lungo l’asse temporale è efficace anche per analizzare i dati delle serie temporali.
Nota 5 LSTM (Long Short Term Memory): anche questo è un buon modello standard per analizzare i cambiamenti nel tempo. La struttura del cancello di input/output/dimentica consente alle informazioni nelle celle di memoria di cambiare nel tempo conservando selettivamente le informazioni rilevanti e dimenticando quelle irrilevanti. Funziona in modo simile alla memoria umana e può apprendere proprietà di dati di serie temporali a lungo termine, rendendolo adatto per analizzare dati i cui valori cambiano nel tempo.
/Liberazione generale. Questo materiale dell’organizzazione/degli autori originali può essere di natura cronologica ed è modificato per motivi di chiarezza, stile e lunghezza. Mirage.News non assume posizioni aziendali o partiti e tutte le opinioni, posizioni e conclusioni qui espresse sono esclusivamente quelle degli autori. Visualizzale integralmente qui.