机器学习为光镊在生命系统中的微流变学测量打开了一扇门
流体动力学
2022-11-18 v1
摘要
曾有论述 [Tassieri, \textit{Soft Matter}, 2015, \textbf{11}, 5792] 指出，由于收集统计有效数据所需的观测时间与所研究生物的突变时间之间存在巨大差距，利用光镊 (MOT) 对生命系统进行线性微流变学测量“并非可行之策”。在此，我们迈出了解决该问题的第一步，利用现代机器学习 (ML) 方法将 MOT 测量的时长从数十分钟缩短至一秒。这是通过重点分析悬浮于一组牛顿流体中、被光捕获粒子的计算机模拟轨迹实现的，这些流体的黏度值跨越三个数量级，即从 到 Pas。当利用常规统计力学原理分析粒子轨迹时，我们在文献中首次阐明了为实现低至 的不确定度，MOT 实验所需时长 () 与流体相对黏度 () 之间的关系，即 分钟。这进一步提供了证据，解释了为何常规 MOT 测量通常会低估材料的黏弹性，尤其是在高黏度流体或凝胶与细胞等软固体情况下。最后，我们开发了一种 ML 算法，利用对以 kHz 采集、仅持续一秒的原始轨迹进行特征提取来确定牛顿流体的黏度，却能在最佳情况下给出误差低至 的黏度值；由此为 MOT 在生命系统中的应用打开了一扇门。
引用
@article{arxiv.2211.09689,
title = {Machine learning opens a doorway for microrheology with optical tweezers in living systems},
author = {Matthew G. Smith and Jack Radford and Eky Febrianto and Jorge Ramírez and Helen O'Mahony and Andrew B. Matheson and Graham M. Gibson and Daniele Faccio and Manlio Tassieri},
journal= {arXiv preprint arXiv:2211.09689},
year = {2022}
}