Dans le nanomonde, de minuscules particules telles que des protéines semblent danser lorsqu'elles se transforment et s'assemblent pour effectuer diverses tâches en suspension dans un liquide. Des méthodes récemment développées ont permis d'observer et d'enregistrer ces minuscules mouvements autrement insaisissables, et les chercheurs font désormais un pas en avant en développant un flux de travail d'apprentissage automatique pour rationaliser le processus.

La nouvelle étude, dirigé par Qian Chen, professeur de science et d'ingénierie des matériaux à l'Université de l'Illinois, Urbana-Campaign, s'appuie sur ses travaux antérieurs avec la microscopie électronique en phase liquide et est publiée dans la revue ACS Science centrale .

Être capable de voir et d'enregistrer les mouvements des nanoparticules est essentiel pour comprendre une variété de défis d'ingénierie. Microscopie électronique en phase liquide, qui permet aux chercheurs de regarder les nanoparticules interagir à l'intérieur de minuscules conteneurs d'échantillons ressemblant à des aquariums, est utile pour la recherche en médecine, durabilité énergétique et environnementale et dans la fabrication de métamatériaux, pour n'en nommer que quelques-uns. Cependant, il est difficile d'interpréter l'ensemble de données, les chercheurs ont dit. Les fichiers vidéo produits sont volumineux, rempli d'informations temporelles et spatiales, et sont bruyants en raison des signaux de fond, en d'autres termes, ils nécessitent beaucoup de traitements et d'analyses d'images fastidieux.

"Développer une méthode pour voir même ces particules était un énorme défi, " a déclaré Chen. " Déterminer comment obtenir efficacement les données utiles à partir d'une mer de valeurs aberrantes et de bruit est devenu le nouveau défi. "

Pour faire face à ce problème, l'équipe a développé un flux de travail d'apprentissage automatique basé sur un réseau de neurones artificiels qui imite, en partie, la puissance d'apprentissage du cerveau humain. Le programme s'appuie sur un réseau de neurones existant, connu sous le nom de U-Net, qui ne nécessite pas de caractéristiques artisanales ou d'entrées prédéterminées et a permis des avancées significatives dans l'identification des caractéristiques cellulaires irrégulières à l'aide d'autres types de microscopie, les rapports d'étude.

"Notre nouveau programme a traité des informations pour trois types de dynamique à l'échelle nanométrique, y compris le mouvement, réaction chimique et auto-assemblage de nanoparticules, ", a déclaré l'auteur principal et étudiant diplômé Lehan Yao. "Ceux-ci représentent les scénarios et les défis que nous avons rencontrés dans l'analyse des vidéos de microscopie électronique en phase liquide."

Les chercheurs ont recueilli des mesures auprès d'environ 300, 000 paires de nanoparticules en interaction, les rapports d'étude.

Comme trouvé dans les études antérieures du groupe de Chen, le contraste continue d'être un problème lors de l'imagerie de certains types de nanoparticules. Dans leur travail expérimental, l'équipe a utilisé des particules d'or, ce qui est facile à voir avec un microscope électronique. Cependant, particules avec des poids élémentaires ou moléculaires inférieurs comme les protéines, les polymères plastiques et autres nanoparticules organiques présentent un très faible contraste lorsqu'ils sont observés sous un faisceau d'électrons, dit Chen.

"Applications biologiques, comme la recherche de vaccins et de médicaments, soulignent l'urgence de nos efforts pour disposer de notre technique d'imagerie des biomolécules, " a-t-elle déclaré. " Il existe des interactions critiques à l'échelle nanométrique entre les virus et notre système immunitaire, entre les médicaments et le système immunitaire, et entre le médicament et le virus lui-même qui doit être compris. Le fait que notre nouvelle méthode de traitement nous permette d'extraire des informations à partir d'échantillons, comme démontré ici, nous prépare pour la prochaine étape des systèmes d'application et de modèle."

L'équipe a rendu le code source du programme d'apprentissage automatique utilisé dans cette étude accessible au public via la section d'informations supplémentaires du nouveau document. "Nous pensons que rendre le code disponible à d'autres chercheurs peut bénéficier à l'ensemble de la communauté de recherche sur les nanomatériaux, " dit Chen.