Doktorand i kemiteknik Soumil Joshi (förgrunden) diskuterar arbetet med en ny AI-modell för analys av biomaterial med biträdande professorn och huvudforskaren Sanket Deshmukh. Joshi var huvudförfattare på en Deshmukh labbforskning som nyligen publicerades i en onlinetidskrift kopplad till Nature . Kredit:Tonia Moxley för Virginia Tech
Innovation leder ofta till nya produkter, men nya metoder kan vara lika banbrytande.
Det var chansen att hjälpa till att utveckla de metoder som drog kemiteknikdoktoranden Soumil Joshi från sitt hemland, Mumbai, Indien, till Virginia Tech 2019.
"Det är en fantastisk skola, särskilt för kemiteknikområdet, och den är verkligen känd för forskning om polymerer, vilket jag är tacksam över att få göra här," sa Joshi.
Och i mars ledde tre års arbete till att hans namn listades som förstaförfattare på en artikel som beskriver en ny beräkningsmetod för att arbeta med polymerer som han och hans rådgivare, biträdande professor Sanket Deshmukh, hoppas ska leda till betydande biomedicinska framsteg.
Uppsatsen, med titeln "Grovkornig molekylär dynamik integrerad med Convolutional Neural Network för att jämföra former av temperaturkänsliga flaskborstar," beskriver en metod som utvecklats av Deshmukh-labbet, inklusive medförfattare och gästforskare Samrendra Singh, som använder artificiell intelligens för att analysera form av viktiga komplexa mjuka material och förutsäga deras beteenden.
Den publicerades i npj Computational Materials , en öppen journal från Nature , och har inte bara ett löfte om att möjliggöra nya upptäckter inom biomaterial, utan belyser den växande betydelsen av big data, artificiell intelligens och beräkningsvetenskap inom kemiteknik.
Dessa datorstödda innovationer är avgörande för att göra framsteg inom en rad områden, sa Deshmukh. "Det finns långvariga vetenskapliga problem som inte kan lösas med befintliga metoder, så att lösa problem och utveckla nya metoder går hand i hand."
Forskarna utvecklade sin "djupinlärningsmetod" för att arbeta med vad som kallas "mjuka material".
Inom djupinlärning tränas artificiell intelligens i att känna igen mönster, arbeta med problem och utföra uppgifter – med eller utan mänsklig övervakning. Mjuka material kan innefatta vätskor, polymerer, glykomaterial, skum, geler och de flesta mjuka biologiska material. De används i ett brett utbud av produkter och applikationer, från tandkräm, smörjmedel och flytande kristallskärmar till system för läkemedelstillförsel och vävnadsställningar. Men traditionella beräkningsmetoder för att analysera och förutsäga deras beteenden, särskilt polymerer, har begränsad användbarhet, vilket hindrar framsteg i deras utveckling.
För att hjälpa till att bryta den stocken arbetade forskarna med en typ av grenade, trädliknande polymerer som kallas "flaskborstar". Deras inspiration kom från biomolekyler, vars olika former bestämmer deras funktioner. Att syntetisera dem i labbet kan leda till nya medicinska behandlingar och andra industriapplikationer, sa Deshmukh. Men det kan vara svårt eftersom polymererna ändrar form snabbt, beroende på temperatur och andra faktorer. Utan ett effektivt och korrekt sätt att analysera och förutsäga dessa förändringar är det svårt att skapa syntetiska versioner.
Deras nya process använder ett välkänt djupinlärningssystem som kallas Convolutional Neural Network, eller CNN, för att identifiera och förutsäga likheter i form och funktion i polymererna – något som inte kan göras utan datorhjälp.
Att tillämpa artificiell intelligens på detta polymerproblem är "banbrytande eftersom det visar potentialen hos metoder för djupinlärning inom området mjuka material", sa Deshmukh. "Så, i princip, om vi förstår hur formerna förändras, så kan vi förhoppningsvis kontrollera dem."
För att bevisa att deras metod skulle fungera körde Joshi 100 unika CNN-modeller och lärde systemet att identifiera flaskborstar med liknande former. Projektet var utmanande, inte bara för att det krävde mödosamt arbete för att lära modellen vilka data och egenskaper man skulle leta efter i polymererna, utan också för att forskarna inte direkt visste vilka egenskaper som var relevanta. De var tvungna att ta reda på det först.
Att utveckla modellerna tog mer än ett år, sa Deshmukh. "Singh och Joshi gjorde ett fantastiskt jobb med att identifiera bearbetningen av relevant data och sedan förfina den ytterligare för att se till att CNN-modellen får rätt information."
"Det mesta av den första brainstormingen om vilka funktioner som ska användas utfördes av Dr. Singh och Dr. Deshmukh, vilket hjälpte till att eliminera massor av ogynnsamma alternativ," sa Joshi. "Det här hjälpte oss att komma in på vår nuvarande metod, som jag använde för att koda och införliva i vår analysalgoritm."
Resultaten har varit mycket lovande, sa Joshi, och teamet hoppas kunna utöka användningen av tekniken till det växande området av glykomaterial – kolhydratbaserade mjuka material som produceras av varje levande organism.
Dessa mjuka material innehåller kedjor av sockerarter, kallade glykaner, som spelar avgörande roller för hälsa och sjukdom. Av livets fyra byggstenar – glykaner, proteiner, lipider och nukleinsyror – är glykaner de mest komplexa och mest utmanande att förstå. Men CNN kan stimulera framsteg på detta område.
"Så, precis som vi skapade dessa flaskborstestrukturer för syntetiska polymerer, finns det många arkitekturer som kan skapas med glykomaterial och polymerer som dessa glykaner," sa Deshmukh.
"Vi planerar att hjälpa våra medarbetare att designa nya typer av glykomaterial som kan användas för biomedicinska tillämpningar," sa Deshmukh. "Det är verkligen spännande."
Denna forskning pekar också på den växande betydelsen av datavetenskap och maskininlärning inom kemiteknik, sa avdelningschef Steven Wrenn.
"Det är viktigt att våra akademiker vet hur man arbetar med datavetare och använder datormodellering i sitt eget arbete," sa Wrenn. "Denna utbildning kommer att göra våra studenter mycket mer attraktiva för arbetsgivare och forskarutbildningar."
Faktum är att avdelningen arbetar med ett nytt beräknings- och datavetenskapligt spår, som, om det godkänns, kommer att utbilda studenter att tillämpa datavetenskap på kemiteknik. Deshmukh är med och utvecklar studievägen.
"Att utbilda en kemiingenjör som ska arbeta i en kemisk fabrik i datavetenskap och artificiell intelligens gör dem till en riktig tillgång", sa Deshmukh. "För att de ska hjälpa till att lösa problem inom den kemiska industrin som inte riktigt går att lösa med traditionella metoder." + Utforska vidare
