Machine learning gluurt in nano-aquariums

Home > Media > Machine learning gluurt in nano-aquaria

Onderzoekers uit Illinois hebben elektronenmicroscoopbeeldvorming en machine learning aan elkaar gekoppeld, waardoor het veel gemakkelijker wordt om nanodeeltjes in actie te bestuderen. Het schema laat zien hoe een neuraal netwerk, midden, werkt als een brug tussen vloeistof-fase elektronenmicroscoop beeldvorming, links, en gestroomlijnde gegevensuitvoer, rechts. Ga voor meer informatie naar pubs.acs.org/doi/10.1021/acscentsci.0c00430. Grafische hoffelijkheid ACS en de Qian Chen-groep

Abstract:
In de nanowereld lijken kleine deeltjes zoals eiwitten te dansen terwijl ze transformeren en samenkomen om verschillende taken uit te voeren terwijl ze in een vloeistof zweven. Recent ontwikkelde methoden hebben het mogelijk gemaakt om deze anders ongrijpbare kleine bewegingen te bekijken en vast te leggen, en onderzoekers zetten nu een stap voorwaarts door een machine learning-workflow te ontwikkelen om het proces te stroomlijnen.

Machine learning gluurt in nano-aquaria

Champaign, IL | Geplaatst op 31 augustus 2020

De nieuwe studie, geleid door Qian Chen, een professor in materiaalkunde en engineering aan de Universiteit van Illinois, Urbana-Champaign, bouwt voort op haar eerdere werk met vloeibare fase-elektronenmicroscopie en is gepubliceerd in het tijdschrift ACS Central Science.

Het kunnen zien - en registreren - van de bewegingen van nanodeeltjes is essentieel voor het begrijpen van een verscheidenheid aan technische uitdagingen. Vloeistoffase-elektronenmicroscopie, waarmee onderzoekers nanodeeltjes kunnen zien interageren in kleine aquariumachtige monstercontainers, is nuttig voor onderzoek op het gebied van geneeskunde, energie en ecologische duurzaamheid en voor de fabricage van metamaterialen, om er maar een paar te noemen. Het is echter moeilijk om de dataset te interpreteren, aldus de onderzoekers. De geproduceerde videobestanden zijn groot, gevuld met tijdelijke en ruimtelijke informatie en bevatten veel ruis door achtergrondsignalen - met andere woorden, ze vereisen veel vervelende beeldverwerking en analyse.

"Het ontwikkelen van een methode om zelfs deze deeltjes te zien, was een enorme uitdaging", zei Chen. "Uitzoeken hoe je de nuttige gegevens efficiënt uit een zee van uitschieters en ruis kunt halen, is de nieuwe uitdaging geworden."

Om dit probleem het hoofd te bieden, heeft het team een machine learning-workflow ontwikkeld die is gebaseerd op een kunstmatig neuraal netwerk dat gedeeltelijk de leerkracht van het menselijk brein nabootst. Het programma bouwt voort op een bestaand neuraal netwerk, bekend als U-Net, dat geen handgemaakte functies of vooraf bepaalde invoer vereist en heeft geleid tot aanzienlijke doorbraken bij het identificeren van onregelmatige cellulaire kenmerken met behulp van andere soorten microscopie, zo meldt de studie.

"Ons nieuwe programma verwerkte informatie voor drie typen dynamica op nanoschaal, waaronder beweging, chemische reactie en zelfassemblage van nanodeeltjes", zei hoofdauteur en afgestudeerde student Lehan Yao. "Deze vertegenwoordigen de scenario's en uitdagingen die we zijn tegengekomen bij de analyse van video's met vloeistoffase-elektronenmicroscopie."

De onderzoekers verzamelden metingen van ongeveer 300,000 paren van op elkaar inwerkende nanodeeltjes, meldt de studie.

Klik hier om de vloeibare fase-elektronenmicroscopie met gecombineerd machine learning in actie te zien.

Zoals gevonden in eerdere onderzoeken door de groep van Chen, blijft contrast een probleem bij het afbeelden van bepaalde soorten nanodeeltjes. In hun experimentele werk gebruikte het team deeltjes gemaakt van goud, die gemakkelijk te zien zijn met een elektronenmicroscoop. Deeltjes met lagere elementaire of moleculaire gewichten zoals eiwitten, plastic polymeren en andere organische nanodeeltjes vertonen echter een zeer laag contrast wanneer ze onder een elektronenstraal worden bekeken, zei Chen.

"Biologische toepassingen, zoals het zoeken naar vaccins en medicijnen, onderstrepen de urgentie van ons streven om onze techniek beschikbaar te hebben voor het afbeelden van biomoleculen", zei ze. “Er zijn kritische interacties op nanoschaal tussen virussen en ons immuunsysteem, tussen de medicijnen en het immuunsysteem, en tussen het medicijn en het virus zelf, die moeten worden begrepen. Het feit dat onze nieuwe verwerkingsmethode ons in staat stelt informatie uit monsters te extraheren, zoals hier wordt aangetoond, maakt ons klaar voor de volgende stap van applicatie- en modelsystemen. "

Het team heeft de broncode voor het machine learning-programma dat in deze studie wordt gebruikt, openbaar gemaakt via het gedeelte met aanvullende informatie van de nieuwe paper. "We zijn van mening dat het beschikbaar stellen van de code voor andere onderzoekers de hele onderzoeksgemeenschap op het gebied van nanomaterialen ten goede kan komen," zei Chen.

Chen is ook verbonden aan scheikunde, het Beckman Institute for Advanced Science and Technology en het Materials Research Laboratory aan de U. of I.

De National Science Foundation en het Air Force Office of Scientific Research ondersteunden deze studie.

####

Voor meer informatie, klik hier

Kontakte:
Qian Chen
217-300-1137

Als u een opmerking heeft, alstublieft Contact met ons op.

Uitgevers van nieuwsberichten, niet 7th Wave, Inc. of Nanotechnology Now, zijn zelf verantwoordelijk voor de juistheid van de inhoud.

Bladwijzer: