L’apprentissage automatique permet une conception optimale des films de brosse en polymère anti-biofouling

Les films de brosse en polymère sont constitués de chaînes de monomères développées à proximité immédiate sur un substrat. Les monomères, qui ressemblent à des « soies » à l’échelle nanométrique, forment un revêtement hautement fonctionnel et polyvalent, de sorte qu’il peut sélectivement adsorber ou repousser une variété de produits chimiques ou de molécules biologiques. Par exemple, les films de brosse en polymère ont été utilisés comme échafaudage pour faire pousser des cellules biologiques et comme revêtements protecteurs anti-biosalissures qui repoussent les organismes biologiques indésirables.

En tant que revêtements anti-biofouling, les brosses en polymère ont été conçues principalement sur la base de l’interaction entre les monomères et les molécules d’eau. Bien que cela rende la conception simple, la prédiction quantitative de l’adsorption de biomolécules telles que les protéines sur les monomères s’est avérée difficile, en raison des interactions complexes impliquées.

Or, dans une étude récente publiée dans ACS Sciences et ingénierie des biomatériauxun groupe de recherche dirigé par le professeur associé Tomohiro Hayashi du Tokyo Institute of Technology (Tokyo Tech), au Japon, a utilisé l’apprentissage automatique pour prédire ces interactions et identifier les caractéristiques du film qui ont un impact significatif sur l’adsorption des protéines.

Dans leur étude, l’équipe a fabriqué 51 films de brosse en polymère différents d’épaisseurs et de densités différentes avec cinq monomères différents pour entraîner l’algorithme d’apprentissage automatique. Ils ont ensuite testé plusieurs de ces algorithmes pour voir dans quelle mesure leurs prédictions correspondaient à l’adsorption de protéines mesurée. « Nous avons testé plusieurs algorithmes de régression supervisée, à savoir la régression à renforcement de gradient, la régression à vecteur de support, la régression linéaire et la régression forestière aléatoire, pour sélectionner le modèle le plus fiable et le plus approprié en termes de précision de prédiction », explique le Dr Hayashi.

Parmi ces modèles, le modèle de régression de forêt aléatoire (RF) a montré le meilleur accord avec les valeurs d’adsorption de protéines mesurées. En conséquence, les chercheurs ont utilisé le modèle RF pour corréler les propriétés physiques et chimiques de la brosse en polymère avec sa capacité à adsorber les protéines sériques et à permettre l’adhésion cellulaire.

« Nos analyses ont montré que l’indice d’hydrophobicité, ou l’hydrophobicité relative, était le paramètre le plus critique. Viennent ensuite l’épaisseur et la densité des films de brosse en polymère, le nombre de liaisons CH, la charge nette sur le monomère et la densité des films. . Le poids moléculaire des monomères et le nombre de liaisons OH, en revanche, ont été classés comme peu importants », souligne le Dr Hayashi.

Compte tenu de la nature très variée des films de brosse polymère et des multiples facteurs qui affectent les interactions monomère-protéine, l’adoption de l’apprentissage automatique comme moyen d’optimiser les propriétés du film de brosse polymère peut fournir un bon point de départ pour la conception efficace de matériaux anti-biofouling et biomatériaux fonctionnels.