深層学習はブラウン運動におけるナノ粒子の形状を 80% の精度で識別します

編集者|Pothos

医療・製薬・産業分野におけるナノ粒子の実用化に伴い、個々のナノ粒子の性質や特性を構造から理解する必要があります。凝集状態の評価と品質管理

液体中のナノ粒子を評価する 1 つの方法は、ブラウン運動の軌跡を解析することです。ナノ追跡分析（NTA）は、マイクロからナノスケールまで個々の粒子を測定する簡単な方法ですが、ナノ粒子の形状を評価できないことが長年の問題でした。 NTA は、ストークス アインシュタイン方程式を使用して粒子サイズを定量化するときに常に球形であると仮定しますが、測定された粒子が実際に球形であるかどうかを検証することはできません。

東京大学の研究チームは、アインシュタインの時代から存在していたナノ粒子評価の問題を解決する、ナノ粒子の形状異方性を評価する新しい手法を提案しました。

研究者らは、NTA測定から得られたブラウン運動の時系列軌跡データを使用して、ナノ粒子の形状を予測する深層学習(DL)モデルを構築しました。軌道解析にアンサンブル モデルを使用することで、深層学習モデルは、従来の NTA では個別に区別できない、サイズはほぼ同じだが形状が異なる 2 つの金ナノ粒子に対して、約 80% の単一粒子分類精度を達成することができました。

また、ナノ粒子混合サンプルの測定データに基づいて、球状ナノ粒子と棒状ナノ粒子の混合比率を定量的に推定できることが研究によりわかっています。この結果は、ナノ粒子追跡解析（NTA）測定に動的光散乱解析（DL）を適用することで、これまで不可能とされていた粒子形状の評価が可能であることを示しています。「APL Machine Learning」に掲載されたテーマは「深層学習を使用した非球形ナノ粒子のブラウン運動軌跡の解析「

光散乱とブラウン運動の特性を利用して、NTA (ナノ粒子追跡解析) という検出手法が使用されます。懸濁液中のサンプルの粒度分布を測定するために使用され、商業的に広く使用されています。 NTAは100年以上前にアインシュタインが提唱した理論式を用いて粒子の直径を計算しており、ブラウン運動の軌道は粒子の形状の影響を反映していますが、実際には非常に速い運動を測定することは困難です。さらに、粒子が非球形であっても、従来の解析方法は粒子が球形であると無条件に仮定し、解析にストークス・アインシュタイン方程式を使用するため、不正確です。

しかし、大規模データに隠れた相関関係を見つけるのが得意なディープラーニングを使えば、平均的な測定データや分離不可能な誤差を含む測定データであっても、形状の違いによる差異を検出することが可能です。

東京大学の一木隆則教授率いる研究チームは、ディープラーニングモデルの開発に成功しました。このモデルは、実験方法を変更することなく、測定されたブラウン運動軌跡データから形状を識別できます。データの時系列変化と周囲環境との相関を同時に考慮するために、1次元畳み込みニューラルネットワーク(1D CNN)モデルを使用して局所的な特徴を抽出し、時間動的集約機能を備えた双方向LSTMモデルと組み合わせました。

通常、形状推定モデルの開発には 3 つの段階が含まれます。まず、生データ収集の NTA 測定、次に深層学習用のデータセットとモデルの作成、最後に深層学習のトレーニングです。

図: 1 次元 CNN Bi-LSTM 深層学習モデルの構造。 （出典：論文）

4つのモデル（MLP、LSTM、1D CNN、1D CNN Bi-LSTM ）を変更して異なる軌跡長（20、40、60、80、100フレーム）の時系列データを用いた研究

LSTM モデルと 1D CNN モデルの 100 フレームでの精度は両方とも 80% 以上であり、局所的な特徴と時間的ダイナミクスが畳み込みを通じて抽出されていることを示しています。累積は形状を抽出するための効果的な方法です。同時に、この精度の高さは、液体中のナノ粒子の形状分類が、NTA と DL による単一粒子分析の現実的なレベルに達していることを示しています。各深層学習モデルの形状分類評価指標とフレーム数の関係 (出典:論文)

ディープラーニング解析により、液体中の個々のナノ粒子をその形状に応じて分類することに成功し、その精度は非常に高く、実用レベルに達しました。一方、本研究では、球状ナノ粒子と棒状ナノ粒子の混合溶液の混合比を決定するための検量線も確立した。現在知られているナノ粒子形状のタイプを考慮すると、この方法はナノ粒子の形状を効果的に検出できると考えられます。

図: マイクロキャピラリー チップを使用した粒子分析システム、NTA 技術を使用してブラウン運動の測定結果から混合物の粒度分布を求めます。 （引用：論文）

従来のNTA法では粒子の形状を直接観察することができず、得られる特性情報は限られていました。 DL 法を使用すると、同じ水和直径を持つ異なる形状の粒子であっても、その軌跡に基づいて混合物から区別できます。

研究では、両方の粒子の形状を決定しようとしましたが、市販のナノ粒子の形状の種類を考慮すると、この方法は均一系でのナノ粒子の検出などの実用的な用途に使用できると考えられています。異物。 NTAの拡張は研究のみならず、非球形ナノ粒子の物性評価、凝集状態や均一性の評価、品質管理など産業分野にも応用可能です。

研究者らは「粒子の測定対象をさまざまな形状や材質に拡張することは興味深い研究方向であり、今後の研究課題はDL NTA法の適用可能性をテストすることになるだろう。」と述べた。

#特に、細胞外小胞などの各種生体ナノ粒子の物性を生体に近い環境で評価するソリューションとして期待されています。また、液体中の非球形粒子のブラウン運動に関する基礎研究の革新的な方法となる可能性もあります。

論文リンク: https://doi.org/10.1063/5.0160979

参考コンテンツ: https://phys.org/news/2023-10-deep-long-standing-identification -nanoparticle.html

以上が深層学習はブラウン運動におけるナノ粒子の形状を 80% の精度で識別しますの詳細内容です。詳細については、PHP 中国語 Web サイトの他の関連記事を参照してください。