El uso del aprendizaje automático con el análisis de seguimiento de nanopartículas
¿Por qué confiar en los humanos?
Los humanos por diseño son falibles. Incluso aquellos de nosotros considerados con grandes mentes podemos cometer errores y, por ejemplo, perder una sonda espacial que cuesta más de $450 millones de dólares debido a inconsistencias en las unidades de medida de cálculo (incidente del orbitador climático de Marte).
Cuando se trata del desarrollo de medicamentos, las apuestas pueden ser igualmente altas. El error humano puede costar millones en el desarrollo o, más importante aún, efectos adversos en la salud. ¿Entonces por qué dejar el procesamiento de datos a los humanos propensos al error? Aquí es donde el aprendizaje automático brilla. A través de métodos estadísticos y exposición repetida a datos relacionados, los algoritmos están entrenados para identificar patrones y hacer predicciones en una fracción del tiempo sin grandes márgenes de error.
Haciendo lo invisible visible
No nos damos cuenta de cuánto dependen los humanos y su bienestar de pequeñas partículas que son invisibles a nuestros ojos (Figura 1). Las biopartículas que regulan las funciones de nuestros cuerpos pueden, al mismo tiempo, causar enfermedades humanas. Los productos farmacéuticos y varias industrias que involucran materiales avanzados también se ven afectados por el nanomundo. Las interacciones farmacológicas ocurren a escala celular, pero también pueden tener efectos profundos (y a veces adversos). Otras industrias que involucran la generación de nanoburbujas para varias aplicaciones requieren protocolos establecidos y controlados.
Figura 1: Visualización de partículas NTA de NanoSight. NanoSight NTA recopila clips de la dispersión de luz de partículas a nanoescala que se mueven bajo movimiento browniano (puntos blancos).
¿Cómo puedes entender mejor estas pequeñas partículas?
Figura 2: Ejemplo del software NS Xplorer rastreando nanopartículas. El movimiento de nanopartículas es rastreado partícula por partícula.
El NanoSight de Malvern Panalytical puede detectar biológicos muy pequeños, biopartículas, nanoburbujas y varias otras nanopartículas sintéticas usando Análisis de Seguimiento de Nanopartículas (NTA). NTA utiliza la dispersión de luz para iluminar y rastrear el movimiento browniano de partículas a nanoescala (Figura 2). A cambio, los usuarios pueden entender muy rápidamente la naturaleza compleja de las partículas, incluyendo su tamaño y concentración.
Puedes imaginar que ‘capturar’ todas las partículas en primer lugar es crítico para un seguimiento preciso y exacto de partículas. Los usuarios de NTA podrían encontrar a menudo preguntándose, “¿Es esto una partícula o no?”, “¿Cuál es la mejor configuración?” y luego ajustar el parámetro de Umbral de Detección, o simplemente olvidarse de hacerlo. ¿Qué pasaría si estos parámetros pudieran ser precisos y automatizados? Presentamos el Aprendizaje Automático con el nuevo software NS Xplorer.
El Aprendizaje Automático Empodera el Nuevo Software NS Xplorer
Malvern Panalytical introdujo el NanoSight Pro en 2023. ¡El Análisis de Seguimiento de Nanopartículas nunca ha sido tan rápido, fácil y preciso!
El aprendizaje automático ahora puede marcar con precisión el centro de los puntos danzantes como parte de los algoritmos de seguimiento de NTA. Esto incluye capturar las partículas muy tenues, permitiendo un análisis más preciso de su muestra mientras al mismo tiempo ejecuta flujos de trabajo adicionales. ¡Esto elimina además el sesgo de confirmación y mitiga el error humano!
El Modelo de Red Neuronal de detección de Partículas (NN) utilizado con el NanoSight Pro fue entrenado durante semanas en miles de imágenes NTA con varios niveles de complejidad. Los datos fueron evaluados y confirmados manualmente por contrapartes humanas por su precisión y exactitud durante el proceso de desarrollo (Figura 3).
Figura 3: Estructura de la red neuronal de detección de partículas de NanoSight. La salida de datos por parte de la red neuronal fue validada para determinar si el modelo identificó correctamente las partículas.
La validación del modelo se llevó a cabo comparando con usuarios típicos y expertos de NTA. Los datos en la Figura 4 muestran claramente que el aprendizaje automático (modelo de Red Neuronal, NN) identificó precisamente las partículas para su uso posterior por los algoritmos de seguimiento. El NN elimina la subjetividad y ofrece datos más repetitivos y precisos que incluso los usuarios más experimentados.
Figura 4: Comparación de identificación de partículas por aprendizaje automático y usuarios estándar y expertos de NTA. La capacidad del modelo de Red Neuronal para detectar partículas superó no solo a los usuarios típicos, sino incluso a los más experimentados (NN vs Usuario Perfecto vs Usuario Típico).
Ahora gracias al aprendizaje automático, no solo ahorras tiempo configurando parámetros de procesamiento, sino que tampoco te das cuenta cuando los datos están siendo procesados…¡Eureka! ¡El procesamiento de NTA ahora está automatizado, acelerando el análisis y dando al usuario más libertad para analizar muestras adicionales, configurar más protocolos, o simplemente disfrutar de una buena pausa para el café!
Aplicaciones
El nuevo NanoSight Pro puede ayudarle a medir una amplia gama de tipos de partículas, incluyendo las siguientes:
¡Ahora, relájate y deja que NanoSight NS Xplorer caracterice tus sistemas de partículas y reporte con precisión su tamaño y concentración!
¿Quieres saber más? Mira nuestro webinar bajo demanda:
Recursos adicionales
Este artículo puede haber sido traducido automáticamente.
{{ product.product_name }}
{{ product.product_strapline }}
{{ product.product_lede }}
