Die Integration der Kleinwinkelneutronenstreuung in maschinelles Lernen verbessert die Messung komplexer Molekülstrukturen

Die Kleinwinkelstreuung (SAS) ist eine leistungsfähige Methode zur Untersuchung von Proben im Nanometermaßstab. Bisher wurde ihre Anwendung in der Forschung jedoch dadurch eingeschränkt, dass sie ohne vorherige Kenntnis der chemischen Zusammensetzung einer Probe nicht durchgeführt werden kann. Durch neue Forschungsergebnisse veröffentlicht In Das European Physical Journal EEugen Anitas vom Bogoliubov-Labor für Theoretische Physik in Dubna, Russland, stellt einen fortgeschritteneren Ansatz vor, der SAS mit Algorithmen des maschinellen Lernens integriert.

Mit der α-SAS genannten Technik lassen sich molekulare Proben analysieren, ohne dass eine aufwändige Vorbereitung oder umfangreiche Computerressourcen erforderlich sind. Forscher könnten so detailliertere Einblicke in die Eigenschaften komplexer Biomoleküle wie Proteine, Lipide und Kohlenhydrate gewinnen.

SAS misst die Ablenkung von Strahlung – normalerweise Röntgenstrahlen oder Neutronen – nach der Interaktion mit in einem Lösungsmittel suspendierten Molekülstrukturen. Durch Anpassung der Zusammensetzung des Lösungsmittels können Forscher die Sichtbarkeit bestimmter Systemkomponenten erhöhen oder verringern: eine Technik namens „Kontrastvariation“. Damit dies funktioniert, müssen die Forscher jedoch vor Beginn des Experiments einige Kenntnisse über die chemische Zusammensetzung der Probe haben.

In seiner Studie überwand Anitas diese Einschränkung, indem er SAS mit Algorithmen des maschinellen Lernens integrierte und so eine Technik namens α-SAS entwickelte. Dieser Ansatz schätzte die Ergebnisse der Kleinwinkel-Neutronenstreuung (SANS), indem er viele zufällige Simulationen der suspendierten Probe durchführte und die Verteilung ihrer Ergebnisse analysierte.

Anitas demonstrierte die Fähigkeiten von α-SAS anhand von zwei verschiedenen Fallstudien. In der ersten untersuchte er „Janus-Partikel“: künstliche, selbstantreibende Strukturen mit einer bekannten Kontrastvariation und Neutronenstreuintensität. In der zweiten Studie testete er die Technik an einem komplexen, proteinbasierten molekularen System.

In jedem Fall waren Anitas‘ Messungen der Molekülstrukturen weitaus effizienter, als sie es ohne die Integration von maschinellem Lernen gewesen wären. Aufgrund dieser vielversprechenden Ergebnisse ist Anitas nun zuversichtlich, dass SAS durch seinen Ansatz bald zu einem noch leistungsfähigeren Werkzeug für die Analyse Molekülstrukturen werden könnte.