Innovation Center of NanoMedicine har tillkännagivit tillsammans med University of Tokyo att en grupp ledd av Prof. Takanori Ichiki, forskningschef för iCONM, föreslagit en ny egenskapsutvärderingsmetod för nanopartiklars formanisotropi som löser långvariga problem inom nanopartikelutvärdering som går tillbaka till Einsteins tid.

Artikeln, med titeln "Analysis of Brownian motion trajectories of non-spherical nanoptics using deep learning" publicerades online i APL Machine Learning .

I den här eran där nya medicinska behandlingar och diagnostiska tekniker som använder extracellulära vesiklar och konstgjorda nanopartiklar väcker uppmärksamhet, är nanopartiklar användbara material inom det medicinska, farmaceutiska och industriella området. Ur ett materialperspektiv är det nödvändigt att utvärdera egenskaperna och agglomerationstillståndet för varje nanopartikel och utföra kvalitetskontroll, och framsteg förväntas inom nanopartikelutvärderingsteknologi som stöder säkerhet och tillförlitlighet.

Ett sätt att utvärdera nanopartiklar i vätska är att analysera banan för Browns rörelse. Kallas NTA, den beräknar diametern på en partikel med hjälp av en teoretisk formel som upptäcktes av Einstein för över 100 år sedan. Även om det används som en enkel metod för att mäta enskilda partiklar från mikro- till nanostorlek, har det funnits ett långvarigt problem att det inte kan utvärdera formen på nanopartiklar.

Banan för Browns rörelse återspeglar påverkan av partikelformen, men det är svårt att faktiskt mäta extremt snabb rörelse. Dessutom, även om partikeln är icke-sfärisk, är konventionella analysmetoder inte korrekta eftersom de ovillkorligen antar att partikeln är sfärisk och använder Stokes-Einsteins ekvation för analys.

Men genom att använda djupinlärning, som är bra på att hitta dolda korrelationer i storskalig data, är det möjligt att upptäcka skillnader som orsakas av skillnader i form kan upptäckas, även när mätdata är medelvärde eller innehåller fel som inte kan separeras.

Prof. Takanori Ichikis forskargrupp lyckades bygga en modell för djupinlärning som identifierar former från uppmätta Brownska rörelsebanor utan att ändra den experimentella metoden. För att inte bara ta hänsyn till tidsserieförändringarna i data utan även korrelationen med den omgivande miljön, integrerade de en 1-dimensionell CNN-modell som är bra på att extrahera lokala egenskaper genom faltning och en dubbelriktad LSTM-modell som kan ackumulera tidsmässigt dynamik.

Genom bananalys med hjälp av den integrerade modellen kunde de uppnå en klassificeringsnoggrannhet på cirka 80 % på en enskild partikelbasis för två typer av guldnanopartiklar som är ungefär lika stora men har olika former, vilket inte kan särskiljas med enbart konventionell NTA.

En sådan hög noggrannhet indikerar att formklassificeringen av enstaka nanopartiklar i vätska med hjälp av djupinlärningsanalys har nått en praktisk nivå för första gången. Dessutom skapades i papperet en kalibreringskurva för att bestämma blandningsförhållandet för en blandad lösning av två typer av nanopartiklar (sfäriska och stavformade). Med tanke på formtyperna av nanopartiklar som finns tillgängliga i världen, tror man att denna metod tillräckligt kan detektera formen.

Med konventionella NTA-metoder kan partikelformen inte direkt observeras, och den erhållna karakteristiska informationen var begränsad. Även om banan för Brownsk rörelse (tidsseriekoordinatdata) som mäts av NTA-enheten innehåller information om formen på nanopartiklarna, eftersom avslappningstiden är extremt kort, har det varit svårt att faktiskt detektera formanisotropin hos nanopartiklar. Vidare, i konventionella analysmetoder, även om partikeln är icke-sfärisk, är den inte korrekt på grund av att formfaktorn inte tillämpas, eftersom den antas vara sfärisk och analyseras med Stokes-Einsteins ekvation.

Forskarna siktade på en ny metod som vem som helst kan implementera, och kunde lösa ett långvarigt problem inom Brownsk rörelseanalys genom att introducera djupinlärning, som är bra på att hitta dolda samband i storskalig data, i dataanalys utan att enkelt ändra experimentella metoder.

I den här artikeln försökte de bestämma formerna på två typer av partiklar, men med tanke på formerna för kommersiellt tillgängliga nanopartiklar tror de att den här metoden kan användas i praktiska tillämpningar som detektion av främmande ämnen i homogena system. Utvidgningen av NTA kommer att leda till tillämpningar inte bara inom forskning utan även inom industriella och industriella områden, såsom utvärdering av egenskaper, agglomerationstillstånd och enhetlighet hos nanopartiklar som inte nödvändigtvis är sfäriska, samt kvalitetskontroll.

I synnerhet förväntas det vara en lösning för att utvärdera egenskaperna hos olika biologiska nanopartiklar såsom extracellulära vesiklar i en miljö som liknar den för levande organismer. Det har också potentialen att vara ett innovativt tillvägagångssätt inom grundforskning om Brownsk rörelse av icke-sfäriska partiklar i vätska.

Mer information: Analys av Brownska rörelsebanor för icke-sfäriska nanopartiklar med hjälp av djupinlärning, APL Machine Learning (2023). DOI:10.1063/5.0160979

Tillhandahålls av Innovation Center of NanoMedicine