Avec une précision de 80 %, l'apprentissage profond identifie les formes de nanoparticules dans le mouvement brownien

Éditeur | Pothos

Avec l'application pratique des nanoparticules dans les domaines médical, pharmaceutique et industriel, du point de vue des matériaux, il est nécessaire d'évaluer les propriétés et l'état d'agglomération de chaque nanoparticule et d'effectuer un contrôle qualité

Une façon d’évaluer les nanoparticules dans les liquides consiste à analyser les trajectoires du mouvement brownien. Bien que l’analyse de nano-suivi (NTA) soit une méthode simple pour mesurer des particules individuelles de l’échelle micro à nanométrique, son incapacité à évaluer la forme des nanoparticules constitue un problème de longue date. NTA suppose toujours la sphéricité lors de la quantification de la taille des particules à l'aide de l'équation de Stokes-Einstein, mais ne peut pas vérifier si les particules mesurées sont réellement sphériques.

Une équipe de recherche de l'Université de Tokyo a proposé une nouvelle méthode pour évaluer les propriétés anisotropes de forme des nanoparticules, résolvant ainsi un problème d'évaluation des nanoparticules qui existe depuis l'époque d'Einstein.

Les chercheurs ont construit un modèle d'apprentissage profond (DL) pour prédire la forme des nanoparticules à l'aide de données de trajectoire de séries chronologiques de mouvement brownien obtenues à partir de mesures NTA. En utilisant le modèle d'ensemble pour l'analyse de trajectoire, le modèle d'apprentissage profond a pu atteindre une précision de classification d'une particule unique d'environ 80 % pour deux nanoparticules d'or d'environ la même taille mais de formes différentes, que le NTA traditionnel ne peut pas distinguer individuellement.

De plus, la recherche montre que le rapport de mélange des nanoparticules sphériques et des nanoparticules en forme de bâtonnet peut être estimé quantitativement sur la base des données de mesure d'échantillons mélangés de nanoparticules. Ce résultat montre qu'en appliquant l'analyse par diffusion dynamique de la lumière (DL) aux mesures d'analyse de suivi des nanoparticules (NTA), il est possible d'évaluer la forme des particules, ce que l'on pensait auparavant impossible.

Cette recherche est publiée dans APL Machine Learning " Publié sur "Utilisation du Deep Learning pour analyser les trajectoires de mouvement brownien de nanoparticules non sphériques"

Utilisant les caractéristiques de la diffusion de la lumière et du mouvement brownien, la NTA (Nanoparticle Tracking Analysis) est une méthode de mesure des suspensions liquides. La méthode de détection des particules La distribution par taille des échantillons moyens a été largement utilisée commercialement. Le NTA utilise la formule théorique proposée par Einstein il y a plus de 100 ans pour calculer le diamètre d'une particule. La trajectoire du mouvement brownien reflète l'influence de la forme de la particule, mais en pratique, il est difficile de mesurer un mouvement extrêmement rapide. De plus, même si les particules sont non sphériques, les méthodes d’analyse traditionnelles sont inexactes car elles supposent inconditionnellement que les particules sont sphériques et utilisent les équations de Stokes-Einstein pour l’analyse.

Cependant, grâce à l'apprentissage profond, qui permet de trouver des corrélations cachées dans des données à grande échelle, il est possible de détecter les différences causées par des différences de forme même si les données de mesure sont moyennes ou contiennent des erreurs qui ne peuvent être séparées.

Une équipe de recherche dirigée par le professeur Takanori Ichiki de l'Université de Tokyo a développé avec succès un modèle d'apprentissage profond. Ce modèle peut identifier des formes à partir des données de trajectoire de mouvement brownien mesurées sans changer la méthode expérimentale. Afin de prendre en compte simultanément les changements de séries chronologiques de données et la corrélation avec l'environnement, ils ont utilisé un modèle de réseau neuronal convolutif unidimensionnel (1D CNN) pour extraire les caractéristiques locales et l'ont combiné avec un modèle LSTM bidirectionnel doté de capacités d'agrégation dynamique temporelle.

Le développement de modèles d'estimation de forme comprend généralement trois étapes : d'abord, les mesures NTA de l'acquisition de données brutes, puis la création d'ensembles de données et de modèles pour l'apprentissage en profondeur, et enfin la formation en apprentissage en profondeur

Illustration : Structure unidimensionnelle de Modèle d'apprentissage profond CNN+Bi-LSTM. (Source : article)

Étudiez à l'aide de données de séries chronologiques de différentes longueurs de trajectoire (20, 40, 60, 80 et 100 images) en changeant chacun des quatre modèles (MLP, LSTM, 1D CNN et 1D CNN+Bi-LSTM) Les hyperparamètres du nombre d'images sont utilisés pour vérifier la convergence de l'apprentissage. La précision des modèles LSTM et 1D CNN est supérieure à 80 % à 100 images, ce qui montre que l'extraction de caractéristiques locales et l'accumulation dynamique temporelle via la convolution extraient les caractéristiques de forme. Méthode efficace. Dans le même temps, la haute précision montre que la classification de forme des nanoparticules dans les liquides a atteint le niveau réaliste de l'analyse de particules uniques à l'aide de NTA et DL. chaque modèle d'apprentissage profond (Source : article)

Après une analyse d'apprentissage profond, nous avons réussi à classer les nanoparticules individuelles dans les liquides en fonction de leur forme, et la précision était très élevée, atteignant un niveau pratique. Parallèlement, dans cette étude, nous avons également établi une courbe d’étalonnage permettant de déterminer le rapport de mélange de la solution mixte de nanoparticules sphériques et en forme de bâtonnet. Compte tenu des types actuellement connus de formes de nanoparticules, nous pensons que cette méthode peut détecter efficacement la forme des nanoparticules

Illustration : Système d'analyse de particules utilisant une puce microcapillaire, utilisant la technologie NTA pour mesurer les résultats du mouvement brownien. Obtenir la distribution granulométrique de le mélange. (Cité de : article)

La méthode NTA traditionnelle ne peut pas observer directement la forme des particules et les informations caractéristiques obtenues sont limitées. Grâce à la méthode DL, même des particules de formes différentes ayant le même diamètre hydraté peuvent être distinguées des mélanges en fonction de leurs trajectoires.

Dans l'étude, ils ont essayé de déterminer la forme des deux particules, mais étant donné les types de formes des nanoparticules disponibles dans le commerce, ils ont pensé que cette méthode pourrait être utilisée pour des applications pratiques, telles que la détection de corps étrangers dans des systèmes homogènes. L'extension du NTA peut être appliquée non seulement à la recherche mais également à l'industrie, comme l'évaluation des propriétés, de l'état d'agglomération et de l'homogénéité des nanoparticules non sphériques, ainsi que le contrôle qualité.

Les chercheurs ont déclaré : « Ce sera une direction de recherche intéressante d'étendre les objets de mesure des particules à diverses formes et matériaux, et les futurs sujets de recherche consisteront à tester l'applicabilité de la méthode DL+NTA

Spécial Oui, il promet d'être une solution pour évaluer les propriétés de diverses nanoparticules biologiques, comme les vésicules extracellulaires, dans un environnement similaire à celui des organismes vivants. Elle a également le potentiel de devenir une méthode innovante pour la recherche fondamentale sur le mouvement brownien des particules non sphériques dans les liquides.

Lien papier : https://doi.org/10.1063/5.0160979

Contenu de référence : https://phys.org/news/2023-10-deep-long-standing-identification-nanoparticle.html

Ce qui précède est le contenu détaillé de. pour plus d'informations, suivez d'autres articles connexes sur le site Web de PHP en chinois!