L’utilisation de l’apprentissage automatique avec l’analyse de suivi des nanoparticules
Pourquoi faire confiance aux humains ?
Les humains, de par leur conception, sont faillibles. Même les esprits les plus brillants peuvent faire des erreurs, comme perdre une sonde spatiale coûtant plus de 450 millions de dollars à cause d’incohérences dans les unités de mesure des calculs (incident de la sonde climatique martienne).
En matière de développement de médicaments, les enjeux peuvent être tout aussi élevés. Les erreurs humaines peuvent coûter des millions en développement ou, plus important encore, avoir des effets néfastes sur la santé. Alors pourquoi laisser le traitement des données à des humains sujets aux erreurs ? C’est là que l’apprentissage automatique entre en jeu ! Grâce à des méthodes statistiques et à une exposition répétée aux données connexes, les algorithmes sont formés pour identifier les motifs et faire des prédictions en un temps record et sans grandes marges d’erreur.
Rendre l’Invisible Visible
Nous ne réalisons pas à quel point les humains et leur bien-être dépendent de petites particules invisibles à nos yeux (Figure 1). Les bioparticules qui régulent les fonctions de nos corps peuvent, en même temps, provoquer des maladies humaines. Les industries pharmaceutiques et plusieurs secteurs impliquant des matériaux avancés sont également impactés par le nanomonde. Les interactions médicamenteuses se produisent à l’échelle cellulaire mais peuvent également avoir des effets profonds (et parfois négatifs). D’autres industries impliquant la génération de nanobulles pour diverses applications nécessitent des protocoles bien établis et contrôlés.
Figure 1 : Visualisation des particules NanoSight NTA. NanoSight NTA collecte des séquences de la diffusion de la lumière par des particules à l’échelle nanométrique se déplaçant sous l’effet du mouvement brownien (points blancs).
Comment mieux comprendre ces petites particules ?
Figure 2 : Exemple du suivi des nanoparticules avec le logiciel NS Xplorer. Le mouvement des nanoparticules est suivi particule par particule.
Le NanoSight de Malvern Panalytical peut détecter des biologiques très petits, des bioparticules, des nanobulles et diverses autres nanoparticules synthétiques grâce à l’Analyse de suivi de nanoparticules (NTA). La NTA utilise la diffusion de la lumière pour éclairer et suivre le mouvement brownien des particules nanométriques (Figure 2). En retour, les utilisateurs peuvent très rapidement comprendre la nature complexe des particules, y compris leur taille et leur concentration.
Il est primordial de ‘capturer’ toutes les particules dès le départ pour un suivi précis et exact des particules. Les utilisateurs de la NTA se demandent souvent : « Est-ce une particule ou non ? », « quel est le meilleur réglage ? » et doivent ensuite ajuster le paramètre de seuil de détection, ou simplement oublier de le faire. Que se passerait-il si ces paramètres pouvaient être précis et automatisés ? C’est ici que l’apprentissage automatique entre en jeu avec le nouveau logiciel NS Xplorer.
L’apprentissage automatique habilite le nouveau logiciel NS Xplorer
Malvern Panalytical a introduit le NanoSight Pro en 2023. L’analyse de suivi des nanoparticules n’a jamais été aussi rapide, simple et précise !
L’apprentissage automatique peut désormais marquer avec précision le centre des points dansants comme partie des algorithmes de suivi NTA. Cela inclut la capture des particules très faibles, permettant une analyse plus précise de votre échantillon pendant que vous effectuez simultanément d’autres workflows ! Cela élimine également les biais de confirmation et atténue les erreurs humaines.
Le Modèle de réseau neuronal pour la détection de particules (NN) utilisé avec le NanoSight Pro a été formé pendant plusieurs semaines sur des milliers d’images NTA avec divers niveaux de complexité. Les données ont été évaluées et confirmées manuellement par des équivalents humains pour leur précision et exactitude au cours du processus de développement (Figure 3).
Figure 3 : Structure du réseau neuronal pour la détection de particules NanoSight. Les données émises par le réseau neuronal ont été validées pour déterminer si le modèle identifiait correctement les particules.
La validation du modèle a été effectuée en le comparant aux utilisateurs typiques et experts de la NTA. Les données de la Figure 4 montrent clairement que l’apprentissage automatique (modèle de réseau neuronal, NN) a identifié précisément les particules pour une utilisation ultérieure par les algorithmes de suivi. Le NN élimine la subjectivité et fournit des données plus répétables et précises que même les utilisateurs les plus expérimentés !
Figure 4 : Comparaison de l’identification des particules par l’apprentissage automatique et les utilisateurs standard et experts de la NTA. La capacité du modèle de réseau neuronal à détecter les particules a surpassé non seulement les utilisateurs typiques, mais même les utilisateurs les plus expérimentés (NN vs Utilisateur Parfait vs Utilisateur Moyen).
Aujourd’hui, grâce à l’apprentissage automatique, non seulement vous gagnez du temps en paramétrant les paramètres de traitement, mais vous ne remarquez même pas quand les données sont en cours de traitement… Eureka ! Le traitement de la NTA est désormais automatisé, accélérant ainsi l’analyse et offrant à l’utilisateur plus de liberté pour analyser d’autres échantillons, mettre en place d’autres protocoles ou simplement prendre une bonne pause-café !
Applications
Le nouveau NanoSight Pro peut vous aider à mesurer une large gamme de types de particules, y compris les suivantes :
Maintenant, détendez-vous et laissez NanoSight NS Xplorer caractériser vos systèmes de particules et rapporter avec précision leur taille et leur concentration !
Envie d’en savoir plus ? Regardez notre webinaire à la demande :
Ressources supplémentaires
Cet article a peut-être été traduit automatiquement
{{ product.product_name }}
{{ product.product_strapline }}
{{ product.product_lede }}
