Polymerborstfilmer består av monomerkedjor odlade i omedelbar närhet på ett substrat. Monomererna, som ser ut som "borst" på nanoskala, bildar en mycket funktionell och mångsidig beläggning, så att den selektivt kan adsorbera eller stöta bort en mängd olika kemikalier eller biologiska molekyler. Till exempel har borstfilmer av polymer använts som en ställning för att odla biologiska celler och som skyddande beläggningar mot biopåväxt som stöter bort oönskade biologiska organismer.

Som anti-biofouling-beläggningar har polymerborstar utformats främst baserat på interaktionen mellan monomerer och vattenmolekyler. Även om detta ger en enkel design, har kvantitativ förutsägelse av adsorptionen av biomolekyler som proteiner på monomerer visat sig vara utmanande, på grund av de komplexa interaktioner som är involverade.

Nu, i en nyligen publicerad studie publicerad i ACS Biomaterials Science &Engineering , en forskargrupp ledd av docent Tomohiro Hayashi från Tokyo Institute of Technology (Tokyo Tech), Japan, har använt maskininlärning för att förutsäga dessa interaktioner och identifiera de filmegenskaper som har en betydande inverkan på proteinadsorption.

I sin studie tillverkade teamet 51 olika polymerborstfilmer av olika tjocklekar och densiteter med fem olika monomerer för att träna maskininlärningsalgoritmen. De testade sedan flera av dessa algoritmer för att se hur väl deras förutsägelser matchade den uppmätta proteinadsorptionen. "Vi testade flera övervakade regressionsalgoritmer, nämligen gradientförstärkande regression, stödvektorregression, linjär regression och slumpmässig skogsregression, för att välja den mest tillförlitliga och lämpliga modellen när det gäller prediktionsnoggrannheten", säger Dr Hayashi.

Av dessa modeller visade den slumpmässiga skogsregressionsmodellen (RF) den bästa överensstämmelsen med de uppmätta proteinadsorptionsvärdena. Följaktligen använde forskarna RF-modellen för att korrelera polymerborstens fysikaliska och kemiska egenskaper med dess förmåga att adsorbera serumprotein och möjliggöra cellvidhäftning.

"Våra analyser visade att hydrofobicitetsindexet, eller den relativa hydrofobiciteten, var den mest kritiska parametern. Näst på tur var tjockleken och densiteten hos polymerborstfilmer, antalet CH-bindningar, nettoladdningen på monomeren och filmernas densitet. . Monomermolekylvikt och antalet O-H-bindningar rankades å andra sidan lågt i betydelse", framhåller Dr. Hayashi.

Med tanke på den mycket varierande karaktären hos polymerborstfilmer och de många faktorerna som påverkar interaktionen mellan monomer och protein, kan användningen av maskininlärning som ett sätt att optimera egenskaperna hos polymerborstfilmer ge en bra utgångspunkt för effektiv utformning av anti-biopåväxtmaterial och funktionella biomaterial. + Utforska vidare

Ett steg framåt för design av biomaterial med AI