伊利诺伊州的研究人员已经联系了电子显微镜成像和机器学习，使纳米颗粒在作用中更容易。该示意图显示了神经网络，中间，作为液相电子显微镜成像，左和流线型数据输出之间的桥梁，右侧。
在纳米圣林中，诸如蛋白质的微小颗粒似乎在变换和组装时跳舞，以在悬浮在液体中进行各种任务。最近开发的方法使得可以观看和记录这些其他难以捉摸的微小运动，研究人员现在通过开发机器学习工作流程来简化该过程来迈出一步。
伊利诺伊大学材料科学与工程教授的新研究，伊利诺伊州弗莱纳 - 香槟，以液相电子显微镜建立在她过去的工作，并在ACS中央科学期刊上发表。
研究生zihao ou，左，钱陈教授，中心和研究生和领导作者雷曼瑶。
能够看到 - 和记录 - 纳米粒子的动作对于了解各种工程挑战至关重要。液相电子显微镜，它允许研究人员观看纳米粒子内部的微型水族箱样品容器中的互动，可用于研究医学，能源和环境可持续性以及超级材料的制造，以命名几个。然而，研究人员说，很难解释数据集。产生的视频文件大，填充了时间和空间信息，并且由于背景信号而嘈杂 - 换句话说，它们需要大量繁琐的图像处理和分析。
陈说，“甚至看到这些颗粒甚至看到这些颗粒是一个巨大的挑战。”“弄清楚如何从异常值海洋和噪音有效地获得有用的数据件已成为新的挑战。”
示意图显示了通过研究人员连接液相电子显微镜和机器学习的简化版本，以产生比过去的方法更乏味的流线型数据输出。
为了面对这个问题，该团队开发了一种机器学习工作流程，该工作流程基于人工神经网络，部分地部分地模仿人类脑的学习效力。该程序从现有的神经网络中构建，被称为U-Net，这不需要手工特征或预定输入，并且在研究报告中使用其他类型的显微镜识别不规则的细胞特征来产生显着的突破。
“我们的新计划处理了三种类型的纳米级动态的信息，包括纳米颗粒的运动，化学反应和自我组装，”铅作者和研究生雷恩瑶说。“这些代表了在分析液相电子显微镜视频中遇到的情景和挑战。”
研究报告，研究人员从约300,000对相互作用的纳米颗粒收集测量。
如陈氏群体的过去研究所发现的，对比度在成像某些类型的纳米颗粒时仍然存在问题。在实验工作中，团队使用了由金制成的颗粒，这很容易用电子显微镜看到。然而，当在电子束下观察时，具有蛋白质，塑料聚合物和其他有机纳米粒子的元素，塑料聚合物和其他有机纳米颗粒的颗粒非常低的对比度。
“像寻找疫苗和药物一样的生物应用，强调我们推动的紧迫性，让我们的技术可用于成像生物分子，”她说。“在药物和免疫系统之间以及必须理解的药物和免疫系统之间以及药物和病毒本身之间存在关键的纳米级相互作用。我们的新处理方法允许我们在这里所示的样本中提取来自样本的信息让我们准备好用于应用程序和模型系统的下一步。“
图形示出了模拟液相电子显微镜图像，使用具有约115纳米的边缘的精确组装的三角形金纳米颗粒。
该团队已通过新纸的补充信息部分公开提供本研究中使用的机器学习计划的源代码。“我们觉得使其他研究人员提供的代码可以使整个纳米材料研究界有益，”陈说。
参考：Lehan Yao，Zihao Ou，Binbin Luo，Cong Xu和Qian Chen，2020年7月6日，Zihao Ou，Zhian Chen，ACS Central Science.doi：
10.1021 / ACSCENTSCI.0C00430
陈也隶属于化学，贝克曼高级科学和技术研究所和专题研究实验室的U.。
科学研究的国家科学基金会和空军办公室支持这项研究。
