Наука в Сибири | Сибирские ученые «тренируют» нейросеть, чтобы предсказывать эффективность переработки растительного сырья

-->

Нейросети уже давно научились узнавать возраст человека по фотографии, а авторство художника — по его картине. Эта технология применяется и в научных исследованиях: благодаря ей сибирские ученые точно определяют степень разупорядочения клеточных стенок растений, чтобы выяснить эффективность последующих процессов переработки сырья.+

В растительном сырье содержится масса полезных соединений: катехины, флавоноиды, терпеноиды, нафтодиантроны. Чтобы «упаковать» их в таблетку, биологически активную добавку или компонент функционального питания, данное вещество следует экстрагировать (извлечь) из растительного сырья. Однако существующие технологии не всегда позволяют провести процедуру эффективно. Например, экдистероиды, содержащиеся в травянистом растении левзея, добывают из его подземной части (корня), но у этого представителя флоры есть еще и надземная часть — ботва, откуда тоже можно экстрагировать необходимые соединения. Для этого сырье требуется модифицировать: подогреть, растворить и т.д. +

 

— Мы получили грант РНФ, чтобы попробовать механохимические методы для интенсификации экстракции, — рассказывает старший научный сотрудник Института химии твердого тела и механохимии СО РАН кандидат химических наук Алексей Леонидович Бычков. — Иными словами, если изменить супрамолекулярную структуру сырья, а еще лучше — провести механохимическую реакцию, целевые вещества станут лучше растворяться и выходить «наружу»: быстрее проникать через частично разрушенные, местами разупорядоченные клеточные стенки.+

 

Эти стенки являются основным препятствием при экстрагировании веществ. Чтобы ускорить диффузию, надо разупорядочить клеточную стенку. Для этого сначала определяется ее плотность, характер супрамолекулярной организации, степень упорядоченности. Самый простой, общепринятый в науке способ — сделать ультратонкий срез алмазным ножом и изучить его с помощью электронного микроскопа, как делают в Институте химической биологии и фундаментальной медицины СО РАН, в лаборатории, возглавляемой Еленой Ивановной Рябчиковой.+

  

— В крайних случаях всё понятно, но для часто возникающих пограничных ситуаций человеческий фактор никто не отменял: один видит на микрофотографии упорядоченную структуру, а другой — разупорядоченную, — добавляет химик. — Здесь нужен бесстрастный инструмент, который давал бы количественную оценку по этому показателю — тогда можно будет сравнивать степени «порядка» в стенке. +

 

Кроме того, необходимо упростить рутинную работу специалистов, анализирующих каждый снимок вручную, ведь машины уже давно способны оперировать большими объемами данных. В этом ученым ИХТТМ СО РАН помогли коллеги из Института систем информатики им. А.П. Ершова СО РАН, предложившие использовать алгоритмы, с помощью которых текстуры на микрофотографиях различались бы друг от друга по какому-то признаку. Специалисты проанализировали 19 различных текстурных признаков и даже привлекли методы, которые обычно применяют для анализа степени хаотичности процессов на рынках. Однако классические способы не справлялись с данной задачей — поэтому ученые обратились к нейросетям. +

 

— Мы задаем нейросети определенные критерии, на основе которых она «раскрашивает» однородные части структуры на микрофотографии, — поясняет заместитель директора по науке ИСИ СО РАН кандидат физико-математических наук Фёдор Александрович Мурзин. — Со временем нейросеть «запомнит», что признаки отображают конкретные химические свойства. Можно будет прогнозировать характеристики — пористость, реакционную способность и другие — на множестве образцов, а потом с помощью алгоритмов машинного обучения получить гипотетические ответы относительно данных характеристик и степени упорядоченности структуры. Обучение используется для упрощенного принятия решений, получения прогнозов — без лабораторных опытов, реактивов и т.д. +

 
 

В мире существуют аналоги подобных приложений, но они не соответствуют задачам сибирских ученых. Их нейросеть уже безошибочно раскрашивает клеточные стенки, выделяет структурные слои с различным химическим составом, и каждый раз делает это всё точнее. Теперь задача специалистов — выразить представляющие интерес характеристики в количественной степени. После этого можно будет достоверно выявить зависимости между различными параметрами изображений и степенями экстракции, скоростью протекания механохимических процессов и доступностью востребованных компонентов в перерабатываемом сырье.+

 

Алёна Литвиненко

 

Фото автора, иллюстрация предоставлена Алексеем Бычковым

 
Пожалуйста, оцените статью:
Пока нет голосов
Источник(и):

www.sbras.info