Deep Learning löst langjährige Herausforderungen bei der Identifizierung der Nanopartikelform

Das Innovation Center of NanoMedicine hat gemeinsam mit der Universität Tokio bekannt gegeben, dass eine Gruppe unter der Leitung von Prof. Takanori Ichiki, Forschungsdirektor von iCONM, eine neue Methode zur Bewertung der Eigenschaften der Formanisotropie von Nanopartikeln vorgeschlagen hat, die seit langem bestehende Probleme bei der Bewertung von Nanopartikeln löst Einsteins Zeit.

Der Artikel mit dem Titel „Analysis of Brownian motion trajectories of non-spherical nanoparticles using deep learning“ wurde online veröffentlicht in APL Maschinelles Lernen.

In einer Zeit, in der neue medizinische Behandlungen und Diagnosetechnologien mit extrazellulären Vesikeln und künstlichen Nanopartikeln Aufmerksamkeit erregen, sind Nanopartikel nützliche Materialien im medizinischen, pharmazeutischen und industriellen Bereich. Aus materialtechnischer Sicht ist es notwendig, die Eigenschaften und den Agglomerationszustand jedes Nanopartikels zu bewerten und eine Qualitätskontrolle durchzuführen, und es werden Fortschritte bei der Nanopartikel-Bewertungstechnologie erwartet, die Sicherheit und Zuverlässigkeit unterstützt.

Eine Möglichkeit, Nanopartikel in Flüssigkeiten zu bewerten, besteht darin, die Flugbahn der Brownschen Bewegung zu analysieren. Es heißt NTA und berechnet den Durchmesser eines Teilchens anhand einer theoretischen Formel, die Einstein vor über 100 Jahren entdeckt hat. Obwohl es sich um eine einfache Methode zur Messung einzelner Partikel im Mikro- bis Nanobereich handelt, besteht seit langem das Problem, dass die Form von Nanopartikeln nicht beurteilt werden kann.

Die Flugbahn der Brownschen Bewegung spiegelt den Einfluss der Teilchenform wider, es ist jedoch schwierig, extrem schnelle Bewegungen tatsächlich zu messen. Darüber hinaus sind herkömmliche Analysemethoden selbst dann nicht genau, wenn das Teilchen nicht kugelförmig ist, da sie unbedingt davon ausgehen, dass das Teilchen kugelförmig ist, und für die Analyse die Stokes-Einstein-Gleichung verwenden.

Mithilfe von Deep Learning, das gut geeignet ist, versteckte Korrelationen in umfangreichen Daten zu finden, ist es jedoch möglich, Unterschiede zu erkennen, die durch Formunterschiede verursacht werden, selbst wenn die Messdaten gemittelt sind oder Fehler enthalten, die nicht getrennt werden können.

Der Forschungsgruppe von Prof. Takanori Ichiki gelang es, ein Deep-Learning-Modell aufzubauen, das Formen aus gemessenen Daten der Brownschen Bewegungsbahn identifiziert, ohne die experimentelle Methode zu ändern. Um nicht nur die zeitlichen Änderungen der Daten, sondern auch die Korrelation mit der Umgebung zu berücksichtigen, integrierten sie ein eindimensionales CNN-Modell, das gut in der Lage ist, lokale Merkmale durch Faltung zu extrahieren, und ein bidirektionales LSTM-Modell, das zeitliche akkumulieren kann Dynamik.

Durch die Trajektorienanalyse mit dem integrierten Modell konnten sie eine Klassifizierungsgenauigkeit von etwa 80 % auf Einzelpartikelbasis für zwei Arten von Goldnanopartikeln erreichen, die ungefähr die gleiche Größe, aber unterschiedliche Formen haben, die mit herkömmlicher NTA allein nicht unterschieden werden können.

Diese hohe Genauigkeit zeigt, dass die Formklassifizierung einzelner Nanopartikel in Flüssigkeiten mithilfe der Deep-Learning-Analyse erstmals ein praktisches Niveau erreicht hat. Darüber hinaus wurde in der Arbeit eine Kalibrierungskurve erstellt, um das Mischungsverhältnis einer Mischlösung aus zwei Arten von Nanopartikeln (kugelförmig und stäbchenförmig) zu bestimmen. Angesichts der weltweit verfügbaren Formen von Nanopartikeln geht man davon aus, dass diese Methode die Form ausreichend erkennen kann.

Mit herkömmlichen NTA-Methoden kann die Partikelform nicht direkt beobachtet werden und die erhaltenen charakteristischen Informationen waren begrenzt. Obwohl die vom NTA-Gerät gemessene Flugbahn der Brownschen Bewegung (Zeitreihenkoordinatendaten) Informationen über die Form der Nanopartikel enthält, war es aufgrund der extrem kurzen Relaxationszeit schwierig, die Formanisotropie von Nanopartikeln tatsächlich zu erkennen. Darüber hinaus ist bei herkömmlichen Analysemethoden das Partikel selbst dann nicht genau, wenn es nicht kugelförmig ist, da der Formfaktor nicht angewendet wird, da davon ausgegangen wird, dass es kugelförmig ist, und es mithilfe der Stokes-Einstein-Gleichung analysiert wird.

Die Forscher strebten eine neue Methode an, die jeder umsetzen kann, und konnten ein seit langem bestehendes Problem der Brownschen Bewegungsanalyse lösen, indem sie Deep Learning, das sich gut zum Auffinden versteckter Korrelationen in großen Datenmengen eignet, in die Datenanalyse einführten, ohne einfache Änderungen vorzunehmen experimentelle Methoden.

In dieser Arbeit versuchten sie, die Formen von zwei Arten von Partikeln zu bestimmen. Angesichts der Formen kommerziell erhältlicher Nanopartikel glauben sie jedoch, dass diese Methode in praktischen Anwendungen wie der Erkennung von Fremdstoffen in homogenen Systemen eingesetzt werden kann. Die Ausweitung der NTA wird zu Anwendungen nicht nur in der Forschung, sondern auch im industriellen und industriellen Bereich führen, beispielsweise zur Bewertung der Eigenschaften, des Agglomerationszustands und der Gleichmäßigkeit von Nanopartikeln, die nicht unbedingt kugelförmig sind, sowie zur Qualitätskontrolle.

Insbesondere soll es eine Lösung zur Bewertung der Eigenschaften verschiedener biologischer Nanopartikel wie extrazellulärer Vesikel in einer Umgebung sein, die der von lebenden Organismen ähnelt. Es hat auch das Potenzial, ein innovativer Ansatz in der Grundlagenforschung zur Brownschen Bewegung nicht-sphärischer Teilchen in Flüssigkeiten zu sein.

Mehr Informationen:
Analyse der Brownschen Bewegungstrajektorien nicht-sphärischer Nanopartikel mittels Deep Learning, APL Maschinelles Lernen (2023). DOI: 10.1063/5.0160979

Bereitgestellt vom Innovation Center of NanoMedicine

ph-tech