Predicting in situ nanoparticle behavior using multiple particle tracking and artificial neural networks

人工神经网络 纳米颗粒 生物系统 人工智能 计算机科学 弹道 粒子(生态学) 召回 预测建模 粘度 纳米粒子跟踪分析 跟踪(教育) 材料科学 机器学习 纳米技术 化学 物理 生物 天文 语言学 心理学 复合材料 生态学 教育学 小RNA 哲学 基因 生物化学 微泡
作者
Chad Curtis,Mike McKenna,Hugo Pontes,Dorsa Toghani,Alex Choe,Elizabeth Nance
出处
期刊:Nanoscale [The Royal Society of Chemistry]
卷期号:11 (46): 22515-22530 被引量:18
标识
DOI:10.1039/c9nr06327g
摘要

Predictive models of nanoparticle transport can drive design of nanotherapeutic platforms to overcome biological barriers and achieve localized delivery. In this paper, we demonstrate the ability of artificial neural networks to predict both nanoparticle properties, such as size and protein adsorption, and aspects of the brain microenvironment, such as cell internalization, viscosity, and brain region by using large (>100 000) trajectory datasets collected via multiple particle tracking in in vitro gel models of the brain and cultured organotypic brain slices. Our neural network achieved a 0.75 recall score when predicting gel viscosity based on trajectory datasets, compared to 0.49 using an obstruction scaling model. When predicting in situ nanoparticle size based on trajectory datasets, neural networks achieved a 0.90 recall score compared to 0.83 using an optimized Stokes-Einstein predictor. To distinguish between nanoparticles of different sizes in more complex nanoparticle mixtures, our neural network achieved up to a recall score of 0.85. Even in cases of more nuanced output variables where mathematical models are not available, such as protein adhesion, neural networks retained the ability to distinguish between particle populations (recall score of 0.89). These findings demonstrate how trajectory datasets in combination with machine learning techniques can be used to characterize the particle-microenvironment interaction space.
最长约 10秒,即可获得该文献文件

科研通智能强力驱动
Strongly Powered by AbleSci AI
更新
大幅提高文件上传限制,最高150M (2024-4-1)

科研通是完全免费的文献互助平台,具备全网最快的应助速度,最高的求助完成率。 对每一个文献求助,科研通都将尽心尽力,给求助人一个满意的交代。
实时播报
ky幻影发布了新的文献求助10
1秒前
内向凡阳完成签到,获得积分10
1秒前
bu完成签到,获得积分10
2秒前
ff完成签到,获得积分10
3秒前
orixero应助Hancock采纳,获得10
5秒前
无敌吴硕完成签到,获得积分10
6秒前
清新的向雪完成签到,获得积分10
7秒前
7秒前
Hello应助Yelgna采纳,获得10
7秒前
8秒前
10秒前
11秒前
Billy应助典雅的俊驰采纳,获得30
12秒前
科研通AI2S应助龙猫抱枕采纳,获得10
12秒前
和谐诗双发布了新的文献求助10
12秒前
星辰大海应助SSD采纳,获得10
12秒前
13秒前
爱幻想的青柠完成签到,获得积分10
15秒前
15秒前
hode发布了新的文献求助10
16秒前
17秒前
田様应助会飞的猪采纳,获得10
18秒前
少少少完成签到,获得积分10
18秒前
NexusExplorer应助xhtw采纳,获得10
19秒前
19秒前
自由从筠发布了新的文献求助10
19秒前
宇文老九发布了新的文献求助30
20秒前
20秒前
20秒前
21秒前
23秒前
i1发布了新的文献求助10
25秒前
CHEN完成签到,获得积分10
26秒前
张伟发布了新的文献求助10
27秒前
xie老板发布了新的文献求助10
27秒前
28秒前
28秒前
友好凌波关注了科研通微信公众号
28秒前
29秒前
30秒前
高分求助中
The late Devonian Standard Conodont Zonation 2000
The Lali Section: An Excellent Reference Section for Upper - Devonian in South China 1500
Nickel superalloy market size, share, growth, trends, and forecast 2023-2030 1000
Smart but Scattered: The Revolutionary Executive Skills Approach to Helping Kids Reach Their Potential (第二版) 1000
Mantiden: Faszinierende Lauerjäger Faszinierende Lauerjäger 800
PraxisRatgeber: Mantiden: Faszinierende Lauerjäger 800
A new species of Coccus (Homoptera: Coccoidea) from Malawi 500
热门求助领域 (近24小时)
化学 医学 生物 材料科学 工程类 有机化学 生物化学 物理 内科学 纳米技术 计算机科学 化学工程 复合材料 基因 遗传学 催化作用 物理化学 免疫学 量子力学 细胞生物学
热门帖子
关注 科研通微信公众号,转发送积分 3245923
求助须知:如何正确求助?哪些是违规求助? 2889566
关于积分的说明 8259048
捐赠科研通 2557973
什么是DOI,文献DOI怎么找? 1386836
科研通“疑难数据库(出版商)”最低求助积分说明 650340
邀请新用户注册赠送积分活动 626728