I nanovärlden, små partiklar som proteiner tycks dansa när de omvandlas och sätts ihop för att utföra olika uppgifter medan de är suspenderade i en vätska. Nyligen utvecklade metoder har gjort det möjligt att titta på och spela in dessa annars svårfångade små rörelser, och forskare tar nu ett steg framåt genom att utveckla ett arbetsflöde för maskininlärning för att effektivisera processen.

Den nya studien, leds av Qian Chen, professor i materialvetenskap och teknik vid University of Illinois, Urbana-Champaign, bygger på hennes tidigare arbete med vätskefaselektronmikroskopi och publiceras i tidskriften ACS Central Science .

Att kunna se – och registrera – nanopartiklars rörelser är avgörande för att förstå en mängd tekniska utmaningar. vätskefas elektronmikroskopi, som gör det möjligt för forskare att se nanopartiklar interagera inuti små akvarieliknande provbehållare, är användbar för forskning inom medicin, energi och miljömässig hållbarhet och vid tillverkning av metamaterial, för att nämna några. Dock, det är svårt att tolka datamängden, sa forskarna. Videofilerna som produceras är stora, fylld med tidsmässig och rumslig information, och är bullriga på grund av bakgrundssignaler – med andra ord, de kräver mycket tråkig bildbehandling och analys.

"Att utveckla en metod även för att se dessa partiklar var en stor utmaning, ", sa Chen. "Att ta reda på hur man effektivt kan hämta användbara data från ett hav av extremvärden och buller har blivit den nya utmaningen."

För att möta detta problem, teamet utvecklade ett arbetsflöde för maskininlärning som är baserat på ett artificiellt neuralt nätverk som härmar, till viss del, den mänskliga hjärnans inlärningsstyrka. Programmet bygger på ett befintligt neuralt nätverk, känd som U-Net, som inte kräver handgjorda funktioner eller förutbestämd input och har gett betydande genombrott för att identifiera oregelbundna cellulära funktioner med andra typer av mikroskopi, studien rapporterar.

"Vårt nya program bearbetade information för tre typer av nanoskala dynamik inklusive rörelse, kemisk reaktion och självmontering av nanopartiklar, " sa huvudförfattaren och doktorand Lehan Yao. "Dessa representerar scenarierna och utmaningarna vi har stött på i analysen av vätskefaselektronmikroskopivideor."

Forskarna samlade in mätningar från cirka 300, 000 par interagerande nanopartiklar, studien rapporterar.

Som framkommit i tidigare studier av Chens grupp, kontraster fortsätter att vara ett problem när man avbildar vissa typer av nanopartiklar. I sitt experimentella arbete, laget använde partiklar gjorda av guld, som är lätt att se med ett elektronmikroskop. Dock, partiklar med lägre grundämnes- eller molekylvikter som proteiner, plastpolymerer och andra organiska nanopartiklar visar mycket låg kontrast när de ses under en elektronstråle, sa Chen.

"Biologiska tillämpningar, som sökandet efter vacciner och droger, understryka det brådskande i vår strävan att ha vår teknik tillgänglig för avbildning av biomolekyler, ", sa hon. "Det finns kritiska nanoskala interaktioner mellan virus och våra immunsystem, mellan läkemedlen och immunförsvaret, och mellan läkemedlet och själva viruset som måste förstås. Det faktum att vår nya bearbetningsmetod tillåter oss att extrahera information från prover som visas här gör oss redo för nästa steg av applikations- och modellsystem."

Teamet har gjort källkoden för maskininlärningsprogrammet som används i den här studien allmänt tillgänglig via avsnittet med kompletterande information i den nya artikeln. "Vi känner att göra koden tillgänglig för andra forskare kan gynna hela forskarsamhället för nanomaterial, " sa Chen.