Полимерные щеточные пленки состоят из мономерных цепей, выращенных в непосредственной близости от подложки. Мономеры, которые в наномасштабе выглядят как «щетинки», образуют высокофункциональное и универсальное покрытие, которое может избирательно поглощать или отталкивать различные химические вещества или биологические молекулы. Например, полимерные щеточные пленки использовались в качестве каркаса для выращивания биологических клеток и в качестве защитных покрытий против биологического обрастания, отталкивающих нежелательные биологические организмы.
В качестве покрытий против биологического обрастания полимерные щетки были разработаны на основе взаимодействия между мономерами и молекулами воды. Хотя это упрощает дизайн, количественное предсказание адсорбции биомолекул, таких как белки, на мономерах оказалось сложным из-за вовлеченных сложных взаимодействий .
Теперь, в недавнем исследовании, опубликованном в ACS Biomaterials Science & Engineering, исследовательская группа под руководством доцента Томохиро Хаяши из Токийского технологического института (Tokyo Tech), Япония, использовала машинное обучение для прогнозирования этих взаимодействий и определения характеристик пленки, которые значительное влияние на всасывание белка.
В своем исследовании команда изготовила 51 различную полимерную щеточную пленку разной толщины и плотности с пятью разными мономерами для обучения алгоритма машинного обучения. Затем они протестировали несколько из этих алгоритмов, чтобы увидеть, насколько хорошо их предсказания совпадают с измеренной адсорбцией белка. «Мы протестировали несколько алгоритмов контролируемой регрессии, а именно регрессию с повышением градиента, регрессию опорных векторов, линейную регрессию и регрессию случайного леса, чтобы выбрать наиболее надежную и подходящую модель с точки зрения точности прогнозирования», — говорит доктор Хаяши.
Из этих моделей регрессионная модель случайного леса (RF) показала наилучшее согласие с измеренными значениями адсорбции белка. Соответственно, исследователи использовали радиочастотную модель, чтобы сопоставить физические и химические свойства полимерной щетки с ее способностью адсорбировать белок сыворотки и способствовать адгезии клеток.
«Наши анализы показали, что индекс гидрофобности, или относительная гидрофобность, был наиболее важным параметром. Следующими на очереди были толщина и плотность полимерных щеточных пленок, количество СН-связей, суммарный заряд мономера и плотность пленок. С другой стороны, молекулярная масса мономера и количество ОН-связей не имеют большого значения», — подчеркивает доктор Хаяши.
Учитывая весьма разнообразный характер полимерных щеточных пленок и множество факторов, влияющих на взаимодействие мономера и белка , внедрение машинного обучения в качестве способа оптимизации свойств полимерной щеточной пленки может стать хорошей отправной точкой для эффективной разработки материалов, препятствующих биообрастанию, и функциональные биоматериалы.
Теги: ИИ, полимеры
