Morphogenese ist die Methode der Natur, verschiedene Strukturen und Funktionen aus einem festen Satz von Komponenten aufzubauen. Während die Natur reich an Beispielen für Morphogenese ist – zum Beispiel Zelldifferenzierung, Embryonalentwicklung und Zytoskelettbildung –, ist die Erforschung des Phänomens in synthetischen Materialien spärlich. Forscher der University of Illinois Urbana-Champaign machen einen Schritt nach vorne, indem sie Elektronentomographie, Fluiddynamiktheorien und maschinelles Lernen verwenden, um weiche Polymere zu beobachten, während die Polymere von der Natur lernen.
Die neue Studie unter der Leitung von Qian Chen, Professor für Materialwissenschaft und -technik; Jie Feng, Professor für Maschinenbau und Ingenieurwesen; und Xiao Su, Professor für Chemie- und Biomolekulartechnik; ist der erste, der die Morphogenese im Nanomaßstab in einem synthetischen Material demonstriert. Die Studie wird in der Zeitschrift veröffentlicht Wissenschaftliche Fortschritte.
„Sie sehen die Filter in Ihren Wasserreinigungssystemen zu Hause vielleicht als einfache Membranen mit Poren, aber sie sind viel raffinierter, wenn wir mithilfe der Elektronentomographie hineinzoomen“, sagte Hyosung An, ehemaliger Postdoktorand aus Illinois, Hauptautor der Studie und Professor für Petrochemie Werkstofftechnik an der Chonnam National University in Südkorea. „Indem wir Bilder von Probenmembranen von einem drehbaren Tisch aus aufnehmen, können wir ihre vollständige 3D-Morphologie mit einer Auflösung im Subnanometerbereich rekonstruieren.“
Die Bildgebung aus verschiedenen Winkeln ermöglicht es den Forschern, die komplizierte 3D-Struktur der Membranen – mit all ihren Falten, inneren Hohlräumen und Netzwerken – mit einer zuvor nicht möglichen räumlichen Auflösung zu sehen. Die Strukturen sind so komplex, dass traditionelle Formbeschreibungen wie Radius und Länge ungültig sind, sagte Chen, der den experimentellen Teil der Studie leitete.
Um den Teammitgliedern zu helfen, sich mit der komplexen Natur der Membranen vertraut zu machen, entwickelten die Doktoranden John W. Smith und Lehan Yao einen auf maschinellem Lernen basierenden Arbeitsablauf zur Digitalisierung der Strukturparameter.
Die Bemühungen von Smith und Yao zeigten sofort Wirkung.
„Wir können morphologische Ähnlichkeiten zwischen den synthetischen Membranen und biologischen Systemen erkennen“, sagte Feng, der zusammen mit dem Postdoktoranden Bingqiang Ji die Fluiddynamik- und Reaktionsmodellierung der Studie leitete. „Wir haben mehrere Modelle getestet und eine erstaunliche quantitative Übereinstimmung mit konventionellen Theorien gefunden, die Strukturen erklären, die in makroskopischen biologischen Systemen zu finden sind, wie etwa Muster auf Fischhaut. Die Moleküle sind intelligent, und wir erwarten, dass eine ähnliche Morphogenese in anderen weichen Polymermaterialien auftritt – wir haben es einfach getan Ich habe bis jetzt nicht die Werkzeuge, um sie zu sehen.“
„Die Auswirkungen gehen über das mechanistische Verständnis hinaus“, sagte Su, der zusammen mit dem Doktoranden Stephen Cotty die Studien zur Membrantrennung leitete. „Ein seit langem bestehendes Rätsel der Trennwissenschaft war die Korrelation von Membranmorphologie und -leistung. Unsere Studie kombiniert das detaillierte Verständnis der Morphologie im Nanomaßstab mit Membranfiltrationstests, mit wichtigen Implikationen für verschiedene Trennkontexte.“
Die Forscher sehen ein breites Anwendungsspektrum dieser Entwicklung, die die Funktionalität von weichen Nanomaterialien wie Polymeren, Vesikeln, Mikrogelen und Verbundwerkstoffen erweitern könnte – alles durch Morphogenese.
„Durch das Gießen von 3D-Nanomorphologie während formgebender chemischer Reaktionen wird dieser Fortschritt dem Design anderer Materialien mit komplexen 3D-Morphologien zugute kommen“, sagte Chen. „Die Technologien hinter Geräten wie angetriebenen Nanomaschinen und anderen bioinspirierten Materialien mit präziser 3D-Grenzflächenmorphologie, deren Formen biologische Wechselwirkungen beeinflussen können, können alle durch unsere Erkenntnisse vorangebracht werden.“
Das Paper „Mechanism and performancerelevance of nanomorphogenesis in Polyamid films detected by quantitative 3D imaging and machine learning“ ist erschienen bei Wissenschaftliche Fortschritte.
Hyosung An et al, Mechanismus und Leistungsrelevanz der Nanomorphogenese in Polyamidfilmen, aufgedeckt durch quantitative 3D-Bildgebung und maschinelles Lernen, Wissenschaftliche Fortschritte (2022). DOI: 10.1126/sciadv.abk1888. www.science.org/doi/10.1126/sciadv.abk1888