Спасибо, что вы с нами!

Нейросеть поможет извлечь из растений все полезные соединения

Сибирские ученые «натренировали» нейросеть определять пригодное к переработке растительное сырье.
Комментарии
...

Исследователи из Института химии твердого тела и механохимии и Института систем информатики Сибирского отделения РАН обучили нейросеть распознавать на микрофотографиях растительное сырье, пригодное для получения тех или иных компонентов лекарственных препаратов. Также новая разработка поможет определить наиболее эффективный и экономный метод их извлечения. Об этом пишет издание «Наука в Сибири».

Нейронные сети — это программное воплощение математической модели, построенной по принципу организации и функционирования нейронных ансамблей в мозге человека. В отличие от других компьютерных программ, нейросеть способна «обучаться». На техническом уровне такое «обучение» заключается в нахождении коэффициентов связей между программными модулями-нейронами.

Все это дает возможность «натренировать» нейросеть. Ей «скармливают» достаточно большую обучающую выборку, например изображений котов. Она устанавливает сложные связи между входными данными и результатом своей работы, а также выполняет некое обобщение на их основе. Результаты на выходе также могут корректироваться человеком-«учителем». В итоге если после обучения «показать» нейросети фотографию кота, которого не было в обучающей выборке, то с высокой степенью вероятности она сможет его «опознать» и отличить от изображений других животных.

Пока нейросети наиболее известны по эффектной обработке фотографий в различных приложениях для смартфонов. Однако у них есть и другие перспективные области применения. Например, в растительной биомассе содержится немало полезных соединений, которые часто слишком дорого или сложно синтезировать искусственно. Катехины, флавоноиды, терпеноиды, нафтодиантроны — все эти компоненты надо сперва извлечь из растительного сырья. Но, чтобы сделать это эффективно, в ряде случаев нужно модифицировать сырье — нагреть его, сделать из него водную суспензию и так далее.

После этого целевые вещества станут лучше растворяться и выходить наружу через частично разрушенные (разупорядоченные) клеточные стенки. Именно эти стенки являются главной преградой при экстрагировании веществ. Однако для правильного разупорядочивания клеточных стенок необходимо сперва оценить их плотность, организацию, степень упорядоченности.

Для этого есть общепринятый способ — сделать ультратонкий срез алмазным ножом и изучить его под электронным микроскопом. Но это не только долго и трудоемко, но и не всегда хорошо работает. На одном и том же снимке один эксперт увидит еще упорядоченную структуру, а другой — разупорядоченную. Поэтому необходим какой-то объективный метод, который давал бы количественную оценку. Сибирские исследователи посчитали, что лучше всего для этих целей подойдет нейросеть, обученная различать текстуры на микрофотографиях по какому-то четкому набору признаков.

Всего ученые проанализировали 19 различных текстурных признаков. На основе полученной информации на первом этапе «тренировок» нейросети задали определенные критерии, по которым она «закрашивала» одинаковые по структуре части снимка растительной биомассы. Далее, на основе большой обучающей выборки, нейросеть «научили» связывать отмеченные признаки с конкретными химическими свойствами. В итоге нейросеть научилась «понимать», годится ли то или иное сырье для получения из него нужных активных соединений.

Данный подход избавляет исследователей и предпринимателей от постановки лабораторных опытов, покупки каких-либо реактивов и прочих накладных расходов. За счет этого отбор растительной массы для переработки становится эффективнее, быстрее и дешевле.

Комментарии
...