随着纳米粒子在医疗、制药和工业领域的实际应用。从材料的角度出发，需要对每个纳米粒子的性质和团聚状态进行评价并进行质量控制。
评估液体中纳米粒子的一种方法是分析布朗运动的轨迹。虽然纳米粒子跟踪分析技术（Nano-tracking analysis，NTA） 是一种用于测量从微观到纳米尺度的单个粒子的简单方法，但它不能评估纳米粒子的形状一直是一个长期存在的问题。NTA 在使用 Stokes-Einstein 方程量化粒子大小时总是假设球形，但无法验证所测量的粒子是否真的是球形的。
东京大学的研究团队提出了一种新的纳米粒子形状各向异性特性评估方法，解决了自爱因斯坦时代以来一直存在的纳米粒子评估问题。
研究人员建立了一个深度学习（DL）模型，利用 NTA 测量获得的布朗运动的时间序列轨迹数据来预测纳米粒子的形状。通过使用集成模型进行轨迹分析，深度学习模型能够对两种尺寸大致相同但形状不同的金纳米粒子实现约 80% 的单粒子分类精度，而传统的 NTA 无法单独区分这两种纳米粒子。
此外，研究证明了球形纳米粒子和棒状纳米粒子的混合比例可以从纳米粒子混合样品的测量数据定量估计。这一结果表明，通过将 DL 分析应用于 NTA 测量来评估粒子形状是可能的，这在以前被认为是不可能的。
该研究以《利用深度学习分析非球形纳米粒子的布朗运动轨迹》（「Analysis of Brownian motion trajectories of non-spherical nanoparticles using deep learning」）为题，发表在《APL Machine learning》上。
NTA 是利用光散射和布朗运动的特性获得液体悬浮液中的样本粒度分布的检测方法，已被广泛应用于商业应用。NTA 使用爱因斯坦 100 多年前发现的理论公式计算粒子的直径。
布朗运动的轨迹反映了粒子形状的影响，但实际上很难测量极快的运动。此外，即使粒子是非球形的，传统的分析方法也不准确，因为它们无条件地假设粒子是球形的，并使用斯托克斯-爱因斯坦方程进行分析。
然而，利用善于在大规模数据中发现隐藏相关性的深度学习，即使测量数据是平均的或包含无法分离的误差，也有可能检测到由形状差异引起的差异。
东京大学 Takanori Ichiki 教授的研究小组成功地建立了一个深度学习模型，该模型可以在不改变实验方法的情况下，从测量的布朗运动轨迹数据中识别形状。为了既考虑数据的时间序列变化，又考虑数据与周围环境的相关性，他们将擅长通过卷积提取局部特征的一维（1D）CNN 模型与能够积累时间动态的双向 LSTM 模型相结合。
形状估计模型的开发包括三个阶段：用于原始数据采集的 NTA 测量，用于深度学习的数据集和模型的创建，以及深度学习。
图示：一维 CNN+Bi-LSTM 深度学习模型的结构。（来源：论文）
研究使用不同轨迹长度（20、40、60、80 和 100 帧的时间序列数据，通过改变四种模型（MLP、LSTM、1D CNN 和 1D CNN+Bi-LSTM）的每帧数的超参数来验证学习的收敛性。
LSTM 和 1D CNN 模型在 100 帧下的准确率都在 80% 以上，这表明通过卷积提取局部特征和时间动态积累都是提取形状特征的有效方法。同时，高精度表明液体中纳米粒子的形状分类已经达到了用 NTA 和 DL 进行单粒子分析的现实水平。
图示：各深度学习模型的形状分类评价指标与帧数的关系。（来源：论文）
如此高的准确率表明，利用深度学习分析对液体中单个纳米粒子的形状分类首次达到了实用水平。此外，在该研究中，建立了校准曲线，以确定两种类型的纳米粒子（球形和棒状）混合溶液的混合比例。考虑到现有纳米粒子的形状类型，认为该方法可以充分检测纳米粒子的形状。
图示：基于微毛细管芯片的粒子分析系统，通过 NTA 方法从布朗运动测量中获得混合物的粒度分布。（来源：论文）
传统的 NTA 方法不能直接观察到粒子的形状，获得的特征信息有限。使用 DL 方法，即使具有相同水合直径的不同形状的粒子，也可以根据其轨迹将其与混合物区分开来。
在研究中，他们试图确定两种粒子的形状，但考虑到商业上可获得的纳米粒子的形状类型，他们认为这种方法可以用于实际应用，例如检测均匀体系中的异物。NTA 的扩展不仅可以应用于研究，还可以应用于工业领域，例如评价非球形纳米粒子的性质、团聚状态和均匀性，以及质量控制。
研究人员表示：「将测量对象扩展到各种形状和材料的粒子将是有趣的，检验 DL+NTA 方法的适用性是未来的研究课题。」
特别是，它有望成为在类似于生物体的环境中评估各种生物纳米粒子（如细胞外囊泡）特性的解决方案。它也有可能成为液体中非球形粒子布朗运动基础研究的一种创新方法。