这篇题为《利用深度学习分析非球形纳米颗粒的布朗运动轨迹》的论文发表在《APL Machine learning》的在线版上。

在这个利用细胞外囊泡和人工纳米粒子的新医学治疗和诊断技术备受关注的时代，纳米粒子在医疗、制药和工业领域都是有用的材料。从材料的角度出发，需要对每个纳米颗粒的性质和团聚状态进行评价并进行质量控制，并期望在支持安全性和可靠性的纳米颗粒评价技术方面取得进展。

评价液体中纳米粒子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。虽然它是一种用于测量从微观到纳米尺度的单个粒子的简单方法，但它不能评估纳米粒子的形状一直是一个长期存在的问题。

布朗运动的轨迹反映了粒子形状的影响，但实际测量极快运动是困难的。此外，即使粒子是非球形的，传统的分析方法也不准确，因为它们无条件地假设粒子是球形的，并使用斯托克斯-爱因斯坦方程进行分析。

然而，利用善于在大规模数据中发现隐藏相关性的深度学习，即使测量数据是平均的或包含无法分离的误差，也有可能检测到由形状差异引起的差异。

Takanori Ichiki教授的研究小组成功地建立了一个深度学习模型，该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。为了既考虑数据的时间序列变化，又考虑数据与周围环境的相关性，他们将擅长通过卷积提取局部特征的一维CNN模型与能够积累时间动态的双向LSTM模型相结合。

通过使用集成模型进行轨迹分析，他们能够对两种尺寸大致相同但形状不同的金纳米颗粒实现约80%的单粒子分类精度，而传统的NTA无法单独区分这两种纳米颗粒。

如此高的准确率表明，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，建立了校准曲线，以确定两种类型的纳米颗粒(球形和棒状)混合溶液的混合比例。考虑到现有纳米颗粒的形状类型，认为该方法可以充分检测纳米颗粒的形状。

传统的NTA方法不能直接观察到颗粒的形状，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)包含了纳米粒子的形状信息，但由于弛豫时间极短，很难实际探测到纳米粒子的形状各向异性。此外，在传统的分析方法中，即使粒子是非球形的，由于没有应用形状因子，它也不准确，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。

研究人员以任何人都可以实现的新方法为目标，在不改变简单实验方法的情况下，将善于发现大规模数据中隐藏的相关性的深度学习引入数据分析，解决了布朗运动分析中长期存在的问题。

在论文中，他们试图确定两种颗粒的形状，但考虑到商业上可获得的纳米颗粒的形状类型，他们认为这种方法可以用于实际应用，例如检测均匀系统中的异物。NTA的扩展不仅可以应用于研究，还可以应用于工业和工业领域，例如评价非球形纳米颗粒的性质、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生物体的环境中评估各种生物纳米粒子(如细胞外囊泡)特性的解决方案。它也有可能成为液体中非球形粒子布朗运动基础研究的一种创新方法。

点击分享到