Integratie van neutronenverstrooiing met kleine hoeken met machinaal leren verbetert metingen van complexe moleculaire structuren

Small-angle scattering (SAS) is een krachtige techniek voor het bestuderen van nanoschaalmonsters. Tot nu toe werd het gebruik ervan in onderzoek echter tegengehouden door het onvermogen om te werken zonder enige voorkennis van de chemische samenstelling van een monster. Door nieuw onderzoek gepubliceerd in Het Europese fysieke tijdschrift EEugen Anitas van het Bogoliubov Laboratorium voor Theoretische Fysica in Dubna, Rusland, presenteert een geavanceerdere aanpak, waarbij SAS wordt geïntegreerd met algoritmen voor machinaal leren.

Met deze techniek, die α-SAS heet, kunnen moleculaire monsters worden geanalyseerd zonder dat er uitgebreide voorbereiding of computerbronnen nodig zijn. Hierdoor kunnen onderzoekers meer gedetailleerde inzichten krijgen in de eigenschappen van complexe biomoleculen, zoals eiwitten, lipiden en koolhydraten.

SAS meet de afbuiging van straling, meestal röntgenstralen of neutronen, na interactie met moleculaire structuren die in een oplosmiddel zijn gesuspendeerd. Door de samenstelling van het oplosmiddel aan te passen, kunnen onderzoekers de zichtbaarheid van bepaalde componenten van het systeem vergroten of verkleinen: een techniek die ‘contrastvariatie’ wordt genoemd. Om dit te laten werken, moeten onderzoekers echter nog steeds enige kennis hebben van de chemische samenstelling van het monster voordat het experiment begint.

Door zijn studie overwon Anitas deze beperking door SAS te integreren met machine learning-algoritmen, en creëerde een techniek genaamd α-SAS. Deze aanpak schatte de resultaten van small-angle neutron scattering (SANS) door veel willekeurige simulaties van het gesuspendeerde monster uit te voeren en de distributie van hun resultaten te analyseren.

Anitas demonstreerde de mogelijkheden van α-SAS door middel van twee verschillende casestudies. De eerste hiervan onderzocht “Janus-deeltjes”: kunstmatige, zichzelf voortstuwende structuren met een bekende contrastvariatie en neutronenverstrooiingsintensiteit. Ten tweede testte hij de techniek op een complex, op eiwitten gebaseerd moleculair systeem.

In elk geval waren Anitas’ metingen van de moleculaire structuren veel efficiënter dan ze zouden zijn geweest zonder enige integratie met machine learning. Op basis van deze veelbelovende resultaten hoopt Anitas nu dat SAS door zijn aanpak binnenkort een nog krachtiger hulpmiddel kan worden voor het analyseren van moleculaire structuren.