将小角度中子散射与机器学习相结合可增强复杂分子结构的测量

小角散射（SAS）是一种研究纳米级样品的强大技术。然而，到目前为止，它在研究中的应用一直受到阻碍，因为它在没有对样品化学成分有一些先验知识的情况下无法操作。通过发表在《欧洲物理杂志E》上的新研究，俄罗斯杜布纳Bogoliubov理论物理实验室的Eugen Anitas提出了一种更先进的方法，将SAS与机器学习算法相结合

这项名为α-SAS的技术可以分析分子样本，而不需要大量的准备或计算资源，并使研究人员能够更详细地了解复杂生物分子的性质：如蛋白质、脂质和碳水化合物

SAS测量辐射（通常是X射线或中子）在与悬浮在溶剂中的分子结构相互作用后的偏转。通过调整溶剂的成分，研究人员可以增强或减弱系统某些成分的可见性：一种名为“对比度变化”的技术。然而，为了使这一方法奏效，研究人员在实验开始前仍需要对样品的化学成分有一些了解

通过他的研究，Anitas通过将SAS与机器学习算法集成，创造了一种名为α-SAS的技术，克服了这一局限性。该方法通过对悬浮样品进行多次随机模拟，并分析其结果的分布，来估计小角中子散射（SANS）的结果

Anitas通过两个不同的案例研究展示了α-SAS的能力。第一个研究的是“Janus粒子”：具有众所周知的对比度变化和中子散射强度的人造自推进结构。其次，他在一个复杂的基于蛋白质的分子系统上测试了这项技术

在每种情况下，Anitas对分子结构的测量都比没有与机器学习集成的情况下更有效。基于这些有希望的结果，Anitas现在希望通过他的方法，SAS可以很快成为分析分子结构的更强大的工具 More information: Eugen Mircea Anitas, Integrating machine learning with α-SAS for enhanced structural analysis in small-angle scattering: applications in biological and artificial macromolecular complexes, The European Physical Journal E (2024). DOI: 10.1140/epje/s10189-024-00435-6

Journal information: European Physical Journal E