Die Nutzung des maschinellen Lernens bei der Analyse von nanopartikelbasiertem Tracking
Warum Menschen vertrauen?
Menschen sind von Natur aus fehleranfällig. Selbst diejenigen von uns, die für große Denker gehalten werden, können Fehler machen und zum Beispiel eine Raumsonde verlieren, die mehr als 450 Millionen Dollar kostet, aufgrund von Inkonsistenzen in der Berechnung von Maßeinheiten (Mars-Klima-Orbiter-Vorfall).
Bei der Arzneimittelentwicklung können die Risiken ebenso hoch sein. Menschliche Fehler können Millionen in der Entwicklung oder, was noch wichtiger ist, negative gesundheitliche Auswirkungen kosten. Warum also die Datenverarbeitung fehleranfälligen Menschen überlassen? Hier spielt maschinelles Lernen seine Stärke aus! Durch statistische Methoden und wiederholten Kontakt mit verwandten Daten werden Algorithmen darauf trainiert, Muster zu erkennen und Vorhersagen in einem Bruchteil der Zeit ohne große Fehlermargen zu treffen.
Das Unsichtbare sichtbar machen
Wir merken nicht, wie sehr Menschen und ihr Wohlbefinden von kleinen Partikeln abhängen, die für unsere Augen unsichtbar sind (Abbildung 1). Die Biopartikel, die die Funktionen unseres Körpers regulieren, können gleichzeitig menschliche Krankheiten verursachen. Auch die Pharmaindustrie und mehrere Branchen im Bereich fortschrittlicher Materialien sind von der Nanowelt betroffen. Arzneimittelwechselwirkungen erfolgen auf zellulärer Ebene, können jedoch auch tiefgreifende (und manchmal negative) Auswirkungen haben. Andere Branchen, die Nanobubbles für verschiedene Anwendungen erzeugen, benötigen etablierte und kontrollierte Protokolle.
Abbildung 1: NanoSight NTA Partikelvisualisierung. NanoSight NTA sammelt Clips der Lichtstreuung von nanoskaligen Partikeln, die sich unter Brown’scher Bewegung bewegen (weiße Punkte).
Wie können Sie diese winzigen Partikel besser verstehen?
Abbildung 2: Beispiel für das Tracking von Nanopartikeln mit der NS Xplorer-Software. Die Bewegung von Nanopartikeln wird Partikel für Partikel verfolgt.
Malvern Panalytical’s NanoSight kann sehr kleine Biologika, Biopartikel, Nanobubbles und verschiedene andere synthetische Nanopartikel mithilfe der Nanopartikel-Tracking-Analyse (NTA) erkennen. NTA nutzt Lichtstreuung, um die Brown’sche Bewegung von nanoskaligen Partikeln sichtbar zu machen und zu verfolgen (Abbildung 2). Auf diese Weise können Nutzer sehr schnell die komplexe Natur der Partikel, einschließlich ihrer Größe und Konzentration, verstehen.
Sie können sich vorstellen, dass das „Fangen“ aller Partikel von Anfang an entscheidend für eine genaue und präzise Partikelverfolgung ist. NTA-Nutzer fragen sich oft: „Ist das ein Partikel oder nicht?“, „Welche Einstellung ist die beste?“ und müssen dann den Erkennungsschwellenparameter anpassen oder vergessen einfach, dies zu tun. Was wäre, wenn diese Parameter präzise und automatisiert sein könnten? Hier kommt maschinelles Lernen mit der neuen NS Xplorer-Software ins Spiel.
Maschinelles Lernen stärkt die neue NS Xplorer-Software
Malvern Panalytical führte 2023 das NanoSight Pro ein. Die Analyse von Nanopartikeln war noch nie so schnell, einfach und genau!
Das maschinelle Lernen kann jetzt genau die Mitte der tanzenden Punkte als Teil der NTA-Tracking-Algorithmen markieren. Dies umfasst auch das Erfassen der sehr schwachen Partikel, was eine genauere Analyse Ihrer Probe ermöglicht, während Sie gleichzeitig weitere Workflows durchführen! Dies beseitigt weiter Bestätigungsverzerrungen und verringert menschliche Fehler.
Das Neurale Netzwerkmodell zur Partikelerkennung (NN), das mit dem NanoSight Pro verwendet wurde, wurde über Wochen hinweg auf Tausenden von NTA-Bildern mit unterschiedlichen Komplexitätsgraden trainiert. Die Daten wurden manuell bewertet und von menschlichen Gegenstücken während des Entwicklungsprozesses auf Präzision und Genauigkeit geprüft (Abbildung 3).
Abbildung 3: Struktur des Neuronalen Netzwerks zur Partikelerkennung im NanoSight-System. Die vom neuronen Netzwerk ausgegebenen Daten wurden validiert, um festzustellen, ob das Modell die Partikel korrekt identifiziert hat.
Die Validierung des Modells wurde durch Benchmarking mit typischen und erfahrenen NTA-Nutzern durchgeführt. Die Daten in Abbildung 4 zeigen deutlich, dass das maschinelle Lernen (Neurales Netzwerkmodell, NN) präzise Partikel für die weitere Verwendung durch die Tracking-Algorithmen identifiziert hat. Das NN beseitigt Subjektivität und liefert wiederholbarere und genauere Daten als selbst die erfahrensten Nutzer!
Abbildung 4: Vergleich der Partikelerkennung durch maschinelles Lernen und NTA-Standard- und Expertennutzer. Die Fähigkeit des Neuronalen Netzwerks, Partikel zu erkennen, übertraf nicht nur typische Nutzer, sondern auch die erfahrensten Nutzer (NN gegen Perfekter Nutzer gegen Typischer Nutzer).
Dank des maschinellen Lernens sparen Sie nicht nur Zeit bei der Einstellung der Verarbeitungsparameter, sondern bemerken nicht einmal, wenn die Daten verarbeitet werden…Eureka! Die NTA-Verarbeitung ist jetzt automatisiert, beschleunigt die Analyse und gibt dem Nutzer mehr Freiheit, zusätzliche Proben zu analysieren, weitere Protokolle einzurichten oder einfach eine schöne Kaffeepause zu machen!
Anwendungen
Das neue NanoSight Pro kann dabei helfen, eine Vielzahl von Partikeltypen zu messen, einschließlich der folgenden:
Lehnen Sie sich jetzt zurück und lassen Sie NanoSight NS Xplorer Ihre Partikelsysteme charakterisieren und genau deren Größe und Konzentration melden!
Möchten Sie mehr erfahren? Schauen Sie sich unser Webinar auf Abruf an:
Weitere Ressourcen
Dieser Artikel wurde möglicherweise automatisch übersetzt
{{ product.product_name }}
{{ product.product_strapline }}
{{ product.product_lede }}
