Le Centre d'innovation de NanoMedicine a annoncé avec l'Université de Tokyo qu'un groupe dirigé par le professeur Takanori Ichiki, directeur de recherche d'iCONM, a proposé une nouvelle méthode d'évaluation des propriétés de l'anisotropie de forme des nanoparticules qui résout des problèmes de longue date dans l'évaluation des nanoparticules qui remontent à L'époque d'Einstein.

L'article, intitulé "Analyse des trajectoires de mouvement browniennes de nanoparticules non sphériques à l'aide de l'apprentissage profond", a été publié en ligne dans APL Machine Learning. .

À l’heure où les nouveaux traitements médicaux et technologies de diagnostic utilisant des vésicules extracellulaires et des nanoparticules artificielles attirent l’attention, les nanoparticules sont des matériaux utiles 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. Des progrès sont attendus dans la technologie d'évaluation des nanoparticules qui prend en charge la sécurité et la fiabilité.

Une façon d’évaluer les nanoparticules dans un liquide consiste à analyser la trajectoire du mouvement brownien. Appelé NTA, il calcule le diamètre d'une particule à l'aide d'une formule théorique découverte par Einstein il y a plus de 100 ans. Bien qu'il soit utilisé comme méthode simple pour mesurer des particules uniques, de la taille micro à nano, il existe un problème de longue date :il ne peut pas évaluer la forme des nanoparticules.

La trajectoire du mouvement brownien reflète l’influence de la forme des particules, mais il est difficile de mesurer réellement un mouvement extrêmement rapide. De plus, même si la particule est non sphérique, les méthodes d'analyse conventionnelles ne sont pas précises car elles supposent inconditionnellement que la particule est sphérique et utilisent l'équation 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 lorsque les données de mesure sont moyennées ou contiennent des erreurs qui ne peuvent pas être séparées. P>

Le groupe de recherche du professeur Takanori Ichiki a réussi à créer un modèle d'apprentissage profond qui identifie les formes à partir des données de trajectoire de mouvement brownien mesurées sans modifier la méthode expérimentale. Afin de prendre en compte non seulement les changements de séries chronologiques dans les données, mais également la corrélation avec l'environnement, ils ont intégré un modèle CNN unidimensionnel capable d'extraire des caractéristiques locales par convolution et un modèle LSTM bidirectionnel capable d'accumuler des données temporelles. dynamique.

Grâce à l’analyse de trajectoire à l’aide du modèle intégré, ils ont pu atteindre une précision de classification d’environ 80 % sur la base d’une seule particule pour deux types de nanoparticules d’or qui ont approximativement la même taille mais des formes différentes, qui ne peuvent être distinguées à l’aide du NTA conventionnel seul.

Une telle précision indique que la classification de la forme de nanoparticules uniques dans un liquide à l’aide d’une analyse d’apprentissage profond a atteint pour la première fois un niveau pratique. De plus, dans l’article, une courbe d’étalonnage a été créée pour déterminer le rapport de mélange d’une solution mixte de deux types de nanoparticules (sphériques et en forme de bâtonnet). Compte tenu des types de forme des nanoparticules disponibles dans le monde, on pense que cette méthode peut détecter suffisamment la forme.

Avec les méthodes NTA conventionnelles, la forme des particules ne peut pas être observée directement et les informations caractéristiques obtenues étaient limitées. Bien que la trajectoire du mouvement brownien (données de coordonnées chronologiques) mesurée par le dispositif NTA contienne des informations sur la forme des nanoparticules, le temps de relaxation étant extrêmement court, il a été difficile de détecter réellement l'anisotropie de forme des nanoparticules. De plus, dans les méthodes d'analyse conventionnelles, même si la particule est non sphérique, elle n'est pas précise car le facteur de forme n'est pas appliqué, car elle est supposée être sphérique et analysée à l'aide de l'équation de Stokes-Einstein.

Les chercheurs visaient une nouvelle méthode que tout le monde pouvait mettre en œuvre et ont pu résoudre un problème de longue date dans l'analyse du mouvement brownien en introduisant l'apprentissage profond, qui permet de trouver des corrélations cachées dans des données à grande échelle, dans l'analyse des données sans changer les simples. méthodes expérimentales.

Dans cet article, ils ont tenté de déterminer les formes de deux types de particules, mais compte tenu des types de formes de nanoparticules disponibles dans le commerce, ils pensent que cette méthode peut être utilisée dans des applications pratiques telles que la détection de substances étrangères dans des systèmes homogènes. L'expansion du NTA mènera à des applications non seulement dans la recherche mais également dans les domaines industriels, tels que l'évaluation des propriétés, de l'état d'agglomération et de l'uniformité des nanoparticules qui ne sont pas nécessairement sphériques, et le contrôle qualité.

En particulier, elle devrait constituer une solution pour évaluer les propriétés de diverses nanoparticules biologiques telles que des vésicules extracellulaires dans un environnement similaire à celui des organismes vivants. Il a également le potentiel de constituer une approche innovante dans la recherche fondamentale sur le mouvement brownien des particules non sphériques dans un liquide.

Plus d'informations : Analyse des trajectoires de mouvement brownien de nanoparticules non sphériques à l'aide du deep learning, APL Machine Learning (2023). DOI :10.1063/5.0160979

Fourni par le Centre d'Innovation de NanoMédecine