准确率达 80%，深度学习识别布朗运动中纳米粒子形状

编辑 | 绿萝

随着纳米粒子在医疗、制药和工业领域的实际应用，从材料的角度出发需要对每个纳米粒子的性质和团聚状态进行评价并进行质量控制

评估液体中纳米粒子的一种方法是分析布朗运动的轨迹。虽然纳米粒子跟踪分析技术（Nano-tracking analysis，NTA） 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。NTA 在使用 Stokes-Einstein 方程量化粒子大小时总是假设球形，但无法验证所测量的粒子是否真的是球形的。

东京大学的研究团队提出了一种新的纳米粒子形状各向异性特性评估方法，解决了自爱因斯坦时代以来一直存在的纳米粒子评估问题。

研究人员建立了一个深度学习（DL）模型，利用 NTA 测量获得的布朗运动的时间序列轨迹数据来预测纳米粒子的形状。通过使用集成模型进行轨迹分析，深度学习模型能够对两种尺寸大致相同但形状不同的金纳米粒子实现约 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粒子。

此外，研究显示，可以根据纳米粒子混合样品的测量数据定量估计球形纳米粒子和棒状纳米粒子的混合比例。这个结果表明，通过将动态光散射分析（DL）应用于纳米粒子跟踪分析（NTA）测量，可以评估粒子的形状，而这在以前被认为是不可能的

这项研究在《APL机器学习》上发表，主题为《利用深度学习分析非球形纳米粒子的布朗运动轨迹》

利用光散射和布朗运动的特性，NTA（纳米颗粒跟踪分析）是一种用于测量液体悬浮液中样本粒度分布的检测方法，已被广泛商业应用。NTA使用了爱因斯坦在100多年前提出的理论公式来计算粒子的直径

布朗运动的轨迹反映了粒子形状的影响，但实际上很难测量极快的运动。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。

东京大学的Takanori Ichiki教授领导的研究小组成功地开发了一个深度学习模型。这个模型可以通过测量的布朗运动轨迹数据来识别形状，而不需要改变实验方法。为了同时考虑数据的时间序列变化和与周围环境的相关性，他们将一维卷积神经网络（1D CNN）模型用于提取局部特征，并与具有时间动态聚合能力的双向LSTM模型相结合

形状估计模型的开发通常包括三个阶段：首先是进行原始数据采集的NTA测量，然后是创建用于深度学习的数据集和模型，最后是进行深度学习训练

图示：一维 CNN+Bi-LSTM 深度学习模型的结构。（来源：论文）

研究使用不同轨迹长度（20、40、60、80 和 100 帧的时间序列数据，通过改变四种模型（MLP、LSTM、1D CNN 和 1D CNN+Bi-LSTM）的每帧数的超参数来验证学习的收敛性。

LSTM 和 1D CNN 模型在 100 帧下的准确率都在 80% 以上，这表明通过卷积提取局部特征和时间动态积累都是提取形状特征的有效方法。同时，高精度表明液体中纳米粒子的形状分类已经达到了用 NTA 和 DL 进行单粒子分析的现实水平。

图示：各深度学习模型的形状分类评价指标与帧数的关系。（来源：论文）

经过深度学习分析，我们成功地将液体中的单个纳米粒子按照形状进行了分类，而且准确率非常高，达到了实用水平。同时，在这项研究中，我们还建立了校准曲线，用于确定球形和棒状纳米粒子混合溶液的混合比例。考虑到目前已知的纳米粒子形状类型，我们认为这种方法可以有效地检测纳米粒子的形状

图示：利用微毛细管芯片的粒子分析系统，运用NTA技术从布朗运动的测量结果中获取混合物的粒径分布。（引自：论文）

传统的 NTA 方法不能直接观察到粒子的形状，获得的特征信息有限。使用 DL 方法，即使具有相同水合直径的不同形状的粒子，也可以根据其轨迹将其与混合物区分开来。

在研究中，他们试图确定两种粒子的形状，但考虑到商业上可获得的纳米粒子的形状类型，他们认为这种方法可以用于实际应用，例如检测均匀体系中的异物。NTA 的扩展不仅可以应用于研究，还可以应用于工业领域，例如评价非球形纳米粒子的性质、团聚状态和均匀性，以及质量控制。

研究人员表示：“将粒子的测量对象扩展到各种不同形状和材料，这将是一个有趣的研究方向，并且未来的研究课题将是检验 DL+NTA 方法的适用性。”

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。

论文链接：https://doi.org/10.1063/5.0160979

参考内容：https://phys.org/news/2023-10-deep-long-standing-identification-nanoparticle.html