A integração da dispersão de nêutrons de pequeno ângulo com o aprendizado de máquina melhora as medições de estruturas moleculares complexas

O espalhamento de ângulo pequeno (SAS) é uma técnica poderosa para estudar amostras em nanoescala. Até agora, no entanto, seu uso em pesquisa tem sido retido por sua incapacidade de operar sem algum conhecimento prévio da composição química de uma amostra. Por meio de uma nova pesquisa publicada em O Jornal Europeu de Física EEugen Anitas, do Laboratório de Física Teórica Bogoliubov em Dubna, Rússia, apresenta uma abordagem mais avançada, que integra SAS com algoritmos de aprendizado de máquina.

Chamada de α-SAS, a técnica pode analisar amostras moleculares sem a necessidade de grandes recursos de preparação ou computação, e pode permitir que pesquisadores obtenham insights mais detalhados sobre as propriedades de biomoléculas complexas, como proteínas, lipídios e carboidratos.

O SAS mede a deflexão da radiação — tipicamente raios X ou nêutrons — após interagir com estruturas moleculares suspensas em um solvente. Ao ajustar a composição do solvente, os pesquisadores podem aumentar ou diminuir a visibilidade de certos componentes do sistema: uma técnica chamada “variação de contraste”. Para que isso funcione, no entanto, os pesquisadores ainda precisam de algum conhecimento da composição química da amostra antes do experimento começar.

Por meio de seu estudo, Anitas superou essa limitação integrando SAS com algoritmos de aprendizado de máquina, criando uma técnica chamada α-SAS. Essa abordagem estimou os resultados do espalhamento de nêutrons de pequeno ângulo (SANS) executando muitas simulações aleatórias da amostra suspensa e analisando a distribuição de seus resultados.

Anitas demonstrou as capacidades do α-SAS por meio de dois estudos de caso diferentes. O primeiro deles investigou “partículas Janus”: estruturas artificiais autopropulsoras com uma variação de contraste e intensidade de espalhamento de nêutrons bem conhecidas. Em segundo lugar, ele testou a técnica em um sistema molecular complexo baseado em proteínas.

Em cada caso, as medições de Anitas das estruturas moleculares foram muito mais eficientes do que teriam sido sem qualquer integração com machine learning. Com base nesses resultados promissores, Anitas agora tem esperança de que, por meio de sua abordagem, o SAS possa em breve se tornar uma ferramenta ainda mais poderosa para analisar estruturas moleculares.