Maschinelles Lernen ermöglicht ein optimales Design von Anti-Biofouling-Polymer-Bürstenfilmen

Polymerbürstenfilme bestehen aus Monomerketten, die in unmittelbarer Nähe auf einem Substrat gewachsen sind. Die Monomere, die im Nanomaßstab wie „Borsten“ aussehen, bilden eine hochfunktionelle und vielseitige Beschichtung, die eine Vielzahl von Chemikalien oder biologischen Molekülen selektiv adsorbieren oder abstoßen kann. Beispielsweise wurden Polymerbürstenfilme als Gerüst zum Züchten biologischer Zellen und als schützende Anti-Biofouling-Beschichtungen verwendet, die unerwünschte biologische Organismen abwehren.

Als Anti-Biofouling-Beschichtungen wurden Polymerbürsten hauptsächlich auf der Grundlage der Wechselwirkung zwischen Monomeren und Wassermolekülen entwickelt. Während dies für ein einfaches Design sorgt, hat sich die quantitative Vorhersage der Adsorption von Biomolekülen wie Proteinen auf Monomeren aufgrund der beteiligten komplexen Wechselwirkungen als schwierig erwiesen.

Nun, in einer kürzlich veröffentlichten Studie in ACS Biomaterials Science & Engineeringeine Forschungsgruppe unter der Leitung von Associate Professor Tomohiro Hayashi vom Tokyo Institute of Technology (Tokyo Tech), Japan, hat mithilfe von maschinellem Lernen diese Wechselwirkungen vorhergesagt und die Filmeigenschaften identifiziert, die einen signifikanten Einfluss auf die Proteinadsorption haben.

In ihrer Studie stellte das Team 51 verschiedene Polymerbürstenfilme unterschiedlicher Dicke und Dichte mit fünf verschiedenen Monomeren her, um den maschinellen Lernalgorithmus zu trainieren. Anschließend testeten sie mehrere dieser Algorithmen, um zu sehen, wie gut ihre Vorhersagen mit der gemessenen Proteinadsorption übereinstimmten. „Wir haben mehrere überwachte Regressionsalgorithmen getestet, nämlich Gradient Boosting Regression, Support Vector Regression, Linear Regression und Random Forest Regression, um das zuverlässigste und geeignetste Modell in Bezug auf die Vorhersagegenauigkeit auszuwählen“, sagt Dr. Hayashi.

Von diesen Modellen zeigte das Random Forest (RF) Regressionsmodell die beste Übereinstimmung mit den gemessenen Proteinadsorptionswerten. Dementsprechend verwendeten die Forscher das HF-Modell, um die physikalischen und chemischen Eigenschaften der Polymerbürste mit ihrer Fähigkeit, Serumprotein zu adsorbieren und Zelladhäsion zu ermöglichen, zu korrelieren.

„Unsere Analysen zeigten, dass der Hydrophobizitätsindex oder die relative Hydrophobie der kritischste Parameter war. Als nächstes kamen Dicke und Dichte der Polymerbürstenfilme, die Anzahl der CH-Bindungen, die Nettoladung auf Monomer und die Dichte der Filme . Das Molekulargewicht der Monomere und die Anzahl der OH-Bindungen wurden dagegen als nachrangig eingestuft“, betont Dr. Hayashi.

Angesichts der sehr unterschiedlichen Natur von Polymerbürstenfilmen und der zahlreichen Faktoren, die die Monomer-Protein-Wechselwirkungen beeinflussen, kann die Einführung von maschinellem Lernen als Möglichkeit zur Optimierung der Eigenschaften von Polymerbürstenfilmen einen guten Ausgangspunkt für das effiziente Design von Anti-Biofouling-Materialien bieten und funktionelle Biomaterialien.