O uso de aprendizado de máquina com análise de rastreamento de nanopartículas
Por que confiar nos humanos?
Os humanos, por design, são falíveis. Mesmo aqueles de nós considerados grandes mentes podem cometer erros e, por exemplo, perder uma sonda espacial que custa mais de 450 milhões de dólares devido a inconsistências nas unidades de medição de cálculo (incidente do orbitador de clima de Marte).
Quando se trata de desenvolvimento de medicamentos, as apostas podem ser igualmente altas. O erro humano pode custar milhões no desenvolvimento ou, mais importante, causar efeitos adversos à saúde. Então, por que deixar o processamento de dados para humanos propensos a erros? Aqui é onde o aprendizado de máquina se destaca! Por meio de métodos estatísticos e exposição repetida a dados relacionados, os algoritmos são treinados para identificar padrões e fazer previsões em uma fração do tempo sem grandes margens de erro.
Tornando o Invisível Visível
Não percebemos o quanto os humanos e seu bem-estar dependem de pequenas partículas que são invisíveis aos nossos olhos (Figura 1). As biopartículas que regulam as funções dos nossos corpos podem, ao mesmo tempo, causar doenças humanas. Produtos farmacêuticos e várias indústrias que envolvem materiais avançados também são impactados pelo nanomundo. As interações medicamentosas acontecem na escala celular, mas também podem ter efeitos profundos (e às vezes adversos). Outras indústrias que envolvem a geração de nanobolhas para várias aplicações exigem protocolos estabelecidos e controlados.
Figura 1: Visualização de partículas do NanoSight NTA. O NanoSight NTA coleta clipes da dispersão de luz de partículas em escala nanométrica movendo-se sob movimento browniano (pontos brancos).
Como você pode entender melhor essas pequenas partículas?
Figura 2: Exemplo de software de rastreamento de nanopartículas NS Xplorer. O movimento de nanopartículas é rastreado partícula por partícula.
O NanoSight da Malvern Panalytical pode detectar biólogicos muito pequenos, biopartículas, nanobolhas e várias outras nanopartículas sintéticas usando Análise de Rastreamento de Nanopartículas (NTA). A NTA utiliza a dispersão de luz para iluminar e rastrear o movimento browniano de partículas em escala nanométrica (Figura 2). Em troca, os usuários podem muito rapidamente entender a natureza complexa das partículas, incluindo seu tamanho e concentração.
Você pode imaginar que “capturar” todas as partículas no início é crucial para um rastreamento de partículas preciso e exato. Os usuários do NTA podem se ver perguntando frequentemente: “Isso é uma partícula ou não?”, “qual configuração é a melhor?”, e então tem que ajustar o parâmetro de Detecção de Limiar, ou simplesmente esquecer de fazê-lo. E se esses parâmetros pudessem ser precisos e automatizados? Entre em Cena o Aprendizado de Máquina com o novo software NS Xplorer.
O Aprendizado de Máquina Capacita o Novo Software NS Xplorer
A Malvern Panalytical introduziu o NanoSight Pro em 2023. A Análise de Rastreamento de Nanopartículas nunca foi tão rápida, fácil e precisa!
O aprendizado de máquina agora pode marcar com precisão o centro dos pontos dançantes como parte dos algoritmos de rastreamento NTA. Isso inclui capturar as partículas muito frágeis, proporcionando uma análise mais precisa de sua amostra enquanto você está simultaneamente executando fluxos de trabalho adicionais! Isso remove ainda mais o viés de confirmação e atenua o erro humano.
O Modelo de Rede Neural de Detecção de Partículas (NN) usado com o NanoSight Pro foi treinado durante semanas em milhares de imagens NTA com vários níveis de complexidade. Os dados foram avaliados manualmente e confirmados por contrapartes humanas por sua precisão e exatidão durante o processo de desenvolvimento (Figura 3).
Figura 3: Estrutura da Rede Neural de Detecção de Partículas do NanoSight. Os dados de saída pela rede neural foram validados para determinar se o modelo identificou corretamente as partículas.
A validação do modelo foi realizada comparando com usuários típicos e especialistas da NTA. Os dados na Figura 4 mostram claramente que o aprendizado de máquina (modelo de Rede Neural, NN) identificou precisamente as partículas para um uso mais aprofundado pelos algoritmos de rastreamento. A NN remove a subjetividade e entrega dados mais repetitivos e precisos do que até mesmo os usuários mais experientes!
Figura 4: Comparação da identificação de partículas por aprendizado de máquina e usuários padrão e especialistas em NTA. A capacidade do modelo de rede neural de detectar partículas superou não apenas os usuários típicos, mas até mesmo os usuários mais experientes (NN vs Usuário Perfeito vs Usuário Típico).
Agora, graças ao aprendizado de máquina, não só você economiza tempo configurando parâmetros de processamento, mas também não percebe quando os dados estão sendo processados… Eureka! O processamento do NTA agora é automatizado, acelerando a análise e dando ao usuário mais liberdade para analisar amostras adicionais, configurar protocolos adicionais ou simplesmente desfrutar de uma pausa para um café!
Aplicações
O novo NanoSight Pro pode ajudá-lo a medir uma ampla gama de tipos de partículas, incluindo as seguintes:
Agora, relaxe e deixe o NanoSight NS Xplorer caracterizar seus sistemas de partículas e relatar com precisão seu tamanho e concentração!
Quer saber mais? Assista ao nosso webinar sob demanda:
Recursos Adicionais
Este artigo pode ter sido traduzido automaticamente
{{ product.product_name }}
{{ product.product_strapline }}
{{ product.product_lede }}
