Connect with us

Hi, what are you looking for?

Наука и технологии

Машинное обучение позволяет оптимизировать дизайн полимерных щеточных пленок, предотвращающих биообрастание

Машинное обучение позволяет оптимизировать дизайн полимерных щеточных пленок, предотвращающих биообрастание
Машинное обучение позволяет оптимизировать дизайн полимерных щеточных пленок, предотвращающих биообрастание

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

В тренде