纳米医学创新中心与东京大学宣布，iCONM研究主任TakanoriIchiki教授领导的团队提出了一种纳米颗粒形状各向异性的新特性评估方法，解决了纳米颗粒评估中长期存在的问题。爱因斯坦时代。

这篇题为“利用深度学习分析非球形纳米粒子的布朗运动轨迹”的论文在线发表在APLMachineLearning上。

在这个使用细胞外囊泡和人造纳米颗粒的新医疗和诊断技术受到关注的时代，纳米颗粒是医疗、制药和工业领域的有用材料。从材料的角度来看，有必要评估每个纳米颗粒的性质和团聚状态并进行质量控制，支持安全性和可靠性的纳米颗粒评估技术有望取得进展。

评估液体中纳米颗粒的一种方法是分析布朗运动的轨迹。它被称为NTA，使用爱因斯坦100多年前发现的理论公式计算粒子的直径。尽管它被用作测量从微米到纳米尺寸的单个颗粒的简单方法，但长期存在的问题是它无法评估纳米颗粒的形状。

布朗运动的轨迹反映了颗粒形状的影响，但很难实际测量极快的运动。此外，即使颗粒是非球形的，传统的分析方法也不准确，因为它们无条件地假设颗粒是球形的，并使用斯托克斯-爱因斯坦方程进行分析。

然而，利用擅长在大规模数据中发现隐藏相关性的深度学习，即使测量数据被平均或包含无法分离的误差，也可以检测到由形状差异引起的差异。

TakanoriIchiki教授的研究小组成功建立了一个深度学习模型，可以在不改变实验方法的情况下从测量的布朗运动轨迹数据中识别形状。为了不仅考虑到数据的时间序列变化，而且考虑到与周围环境的相关性，他们集成了擅长通过卷积提取局部特征的一维CNN模型和可以累积时间序列的双向LSTM模型动力学。

通过使用集成模型的轨迹分析，他们能够在单粒子基础上实现约80%的分类精度，对尺寸大致相同但形状不同的两种金纳米粒子进行分类，而仅使用传统的NTA无法区分。

如此高的精度表明利用深度学习分析对液体中单个纳米颗粒的形状分类首次达到了实用水平。此外，在本文中，创建了校准曲线以确定两种类型纳米粒子(球形和棒状)的混合溶液的混合比。考虑到世界上现有的纳米颗粒的形状类型，认为该方法足以检测形状。

传统的NTA方法无法直接观察颗粒形状，获得的特征信息有限。虽然NTA装置测量的布朗运动轨迹(时间序列坐标数据)包含纳米粒子形状的信息，但由于弛豫时间极短，因此很难实际检测纳米粒子的形状各向异性。此外，在传统的分析方法中，即使颗粒是非球形的，由于没有应用形状因子，因此它是不准确的，因为它被假设为球形并使用斯托克斯-爱因斯坦方程进行分析。

研究人员瞄准了一种任何人都可以实施的新方法，通过将擅长发现大规模数据中隐藏相关性的深度学习引入数据分析中，解决了布朗运动分析中长期存在的问题，而无需改变简单的方法。实验方法。

在本文中，他们试图确定两种类型颗粒的形状，但考虑到市售纳米颗粒的形状类型，他们认为该方法可以用于实际应用，例如均质系统中异物的检测。NTA的扩展不仅将导致其在研究中的应用，而且将在工业和工业领域中得到应用，例如评估不一定​​是球形的纳米颗粒的性质、团聚状态和均匀性以及质量控制。

特别是，它有望成为在类似于活生物体的环境中评估多种生物纳米粒子(例如细胞外囊泡)特性的解决方案。它还有可能成为液体中非球形颗粒布朗运动基础研究的创新方法。

版权说明：本站所有作品图文均由用户自行上传分享，仅供网友学习交流。若您的权利被侵害，请联系我们

标签：