Исследователи из Иллинойса связали получение изображений с помощью электронного микроскопа и машинное обучение, что значительно упростило изучение наночастиц в действии. На схеме показано, как нейронная сеть (в центре) работает как мост между получением изображений с помощью жидкофазного электронного микроскопа (слева) и упрощенным выводом данных (справа). Предоставлено: изображение любезно предоставлено ACS и группой Qian Chen.
В наномире крошечные частицы, такие как белки, кажутся танцующими, трансформируясь и собираясь для выполнения различных задач, будучи взвешенными в жидкости. Недавно разработанные методы позволили наблюдать и записывать эти трудноуловимые крошечные движения, и теперь исследователи сделали шаг вперед, разработав рабочий процесс машинного обучения, чтобы упростить этот процесс.
Новое исследование, проведенное Цянь Чен, профессором материаловедения и инженерии Университета Иллинойса, Урбана-Шампейн, основано на ее прошлой работе с жидкофазной электронной микроскопией и опубликовано в журнале ACS Central Science.
Аспирант Цзихао Оу (слева), профессор Цянь Чен (в центре) и аспирант и ведущий автор Лехан Яо. Предоставлено: Фото Л. Брайана Штауффера.
Возможность видеть и записывать движение наночастиц имеет важное значение для понимания множества инженерных задач. Жидкофазная электронная микроскопия, которая позволяет исследователям наблюдать, как наночастицы взаимодействуют внутри крошечных контейнеров для образцов, похожих на аквариум, полезна для исследований в области медицины, энергетики и экологической устойчивости, а также при производстве метаматериалов, и это лишь некоторые из них. Однако, по словам исследователей, сложно интерпретировать набор данных. Создаваемые видеофайлы имеют большой размер, содержат временную и пространственную информацию и содержат шум из-за фоновых сигналов – другими словами, они требуют много утомительной обработки и анализа изображений.
«Разработка метода даже для наблюдения этих частиц была огромной проблемой», – сказал Чен. «Выяснение того, как эффективно получить полезные данные из моря выбросов и шума, стало новой задачей».
На схеме показана упрощенная версия шагов, предпринятых исследователями для соединения жидкофазной электронной микроскопии и машинного обучения для получения оптимизированных выходных данных, которые менее утомительны для обработки, чем предыдущие методы. Предоставлено: изображение любезно предоставлено ACS и группой Qian Chen.
Чтобы противостоять этой проблеме, команда разработала рабочий процесс машинного обучения, основанный на искусственной нейронной сети, которая частично имитирует обучающую способность человеческого мозга. Программа основана на существующей нейронной сети, известной как U-Net, которая не требует вручную созданных функций или заранее заданного ввода, и привела к значительным прорывам в выявлении нерегулярных клеточных функций с использованием других типов микроскопии, говорится в исследовании.
«Наша новая программа обрабатывала информацию для трех типов наноразмерной динамики, включая движение, химическую реакцию и самосборку наночастиц», – сказал ведущий автор и аспирант Лехан Яо. «Они представляют собой сценарии и проблемы, с которыми мы столкнулись при анализе видеозаписей жидкофазной электронной микроскопии».
Исследователи собрали измерения примерно с 300 000 пар взаимодействующих наночастиц, говорится в исследовании.
Как показали прошлые исследования группы Чена, контраст продолжает оставаться проблемой при визуализации определенных типов наночастиц. В своей экспериментальной работе команда использовала частицы из золота, которые легко увидеть в электронный микроскоп. Однако частицы с более низким элементным или молекулярным весом, такие как белки, пластмассовые полимеры и другие органические наночастицы, демонстрируют очень низкий контраст при просмотре под электронным лучом, сказал Чен.
«Биологические приложения, такие как поиск вакцин и лекарств, подчеркивают безотлагательность нашего стремления сделать нашу технику доступной для визуализации биомолекул», – сказала она. «Существуют критические наноразмерные взаимодействия между вирусами и нашей иммунной системой, между лекарствами и иммунной системой, а также между лекарством и самим вирусом, которые необходимо понять. Тот факт, что наш новый метод обработки позволяет нам извлекать информацию из образцов, как показано здесь, готовит нас к следующему этапу разработки приложений и модельных систем ».
На графике показано смоделированное изображение, полученное с помощью электронного микроскопа в жидкой фазе, с использованием точно собранных треугольных наночастиц золота с краями длиной примерно 115 нанометров. Предоставлено: изображение любезно предоставлено ACS и группой Qian Chen.
Команда сделала исходный код программы машинного обучения, использованной в этом исследовании, общедоступным в разделе дополнительной информации нового документа. «Мы считаем, что предоставление кода другим исследователям может принести пользу всему сообществу исследователей наноматериалов», – сказал Чен.
Ссылка: «Машинное обучение для выявления динамики наночастиц на основе видеофрагментов просвечивающего электронного микроскопа в жидкой фазе» Лехан Яо, Цзихао Оу, Бинбинь Луо, Конг Сюй и Цянь Чен, 6 июля 2020 г., ACS Central Science.
DOI: 10.1021 / acscentsci.0c00430
Чен также связан с химией, Институтом передовых наук и технологий Бекмана и Лабораторией исследования материалов Университета И.
Это исследование поддержали Национальный научный фонд и Управление научных исследований ВВС США.
